CN111027321B - 一种警务相关智能组题方法 - Google Patents
一种警务相关智能组题方法 Download PDFInfo
- Publication number
- CN111027321B CN111027321B CN201911208454.7A CN201911208454A CN111027321B CN 111027321 B CN111027321 B CN 111027321B CN 201911208454 A CN201911208454 A CN 201911208454A CN 111027321 B CN111027321 B CN 111027321B
- Authority
- CN
- China
- Prior art keywords
- word
- case
- chinese word
- police
- chinese
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B7/00—Electrically-operated teaching apparatus or devices working with questions and answers
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及一种警务相关智能组题方法，采用全新试题分类策略，打破传统的知识点划分思路，引入案件数据库中各案件的案件记录文档，针对文档处理进行处理，应用词向量，实现各案件与警务试题库中各试题之间对应关系的获得，即针对警务试题库中各试题，实现了以案件案情为依据的划分，将试题与案件案情紧密联系起来，即将理论与实际相结合，让试题的学习更加贴近真实案件案情，由此提高警务知识的学习效率。
Description
技术领域
本发明涉及一种警务相关智能组题方法，属于在线警务试题学习技术领域。
背景技术
随着互联网应用的逐年普及，更多的领域加入了网络化时代，在线学习、在线试题是当下网络教学中重要的分支之一，将传统教学课程，以及试题的练习、考试搬至网络当中，让使用者足不出户即可享受到在线教育的优势，随着在线教育的兴起、以及被更多的使用者所接收，各个教育机构纷纷推出自己的在线教育应用，但是现有的各类在线教育应用各有弊端，诸如试题类的在线应用无法与实际示例相结合，尤其是特定领域类的学习，这点尤为重要，诸如警务工作的学习当中，若是套用现有在线教育试题模式的话，则试题无法与实际警务案例、警务工作相结合，即无法真正做到学习与实践相结合，将对学习掌握能力大打折扣，影响学习效果。
发明内容
本发明所要解决的技术问题是提供一种警务相关智能组题方法，能够准确获得案件数据库中各案件与警务试题库中各试题之间的对应关系，实现试题与案件紧密结合的学习模式，提高学习效率。
本发明为了解决上述技术问题采用以下技术方案：本发明设计了一种警务相关智能组题方法，周期或指定时间执行如下步骤A至步骤F，用于周期或指定时间获得案件数据库中各案件与警务试题库中各试题之间的对应关系；
步骤A.分别针对案件数据库中的各案件：结合预设警务专业用词词库，应用分词器针对案件的案件记录文档进行中文分词处理，获得该案件所对应的各个中文分词；
即获得各案件分别所对应的各个中文分词，然后进入步骤B；
步骤B.分别针对案件数据库中的各案件：根据预设无意义词库，剔除案件所对应各中文分词中的无意义词、以及连接词，更新该案件分别所对应的各个中文分词；
即更新各案件分别所对应的各个中文分词，然后进入步骤C；
步骤C.针对步骤B所更新案件数据库中所有案件分别对应的各中文分词，进行自然语言处理，获得所有案件所对应各中文分词的词向量；并根据各中文分词的词向量，分别针对该各中文分词，获得中文分词周围所对应的各关联词，构成该中文分词所对应的关联词集合，即获得案件数据库中所有案件所对应各中文分词分别对应的关联词集合，然后进入步骤D；
步骤D.根据预设警务知识点词汇词库，获得案件数据库中所有案件所对应各中文分词中、匹配警务知识点词汇的各个中文分词，作为案件数据库中所有案件所对应的各个知识点分词，并将各知识点分词分别所对应关联词集合中的各关联词、合并为目标关联词集合，然后进入步骤E；
步骤E.分别针对警务试题库中的各个试题：获得目标关联词集合中各关联词分别在试题中的出现次数，并按出现次数由高至低、针对各关联词顺序，获得顺序至多前预设第一数量、且出现次数大于0的各个关联词，作为该试题所对应的各个标签；
即获得警务试题库中各试题分别所对应的各个标签，然后进入步骤F；
步骤F.根据步骤B所更新案件数据库中所有案件分别对应的各中文分词，分别针对案件数据库中的各案件，进行案件所对应各中文分词与警务试题库中各试题分别所对应各个标签之间的匹配，获得各个匹配标签，并获得该各个匹配标签分别对应的试题，即作为该案件所对应的试题；即案件数据库中各案件与警务试题库中各试题之间的对应关系。
作为本发明的一种优选技术方案：所述步骤C中，根据各中文分词的词向量，分别针对该各中文分词执行如下处理，获得案件数据库中所有案件所对应各中文分词分别对应的关联词集合；
首先获得中文分词的词向量分别与其余各中文分词的词向量之间的余弦距离，并按余弦距离由小至大、针对其余各中文分词进行排序；然后获得余弦距离大于预设余弦距离阈值的各个中文分词，作为该中文分词周围所对应的各个关联词，构成该中文分词所对应的关联词集合。
作为本发明的一种优选技术方案：所述步骤E中，分别针对警务试题库中的各个试题：获得目标关联词集合中各关联词分别在试题中、以及该试题所对应答案和答案解析三处的共计出现次数，作为各关联词分别对应该试题的出现次数，并按出现次数由高至低、针对各关联词顺序，获得顺序至多前预设第一数量、且出现次数大于0的各个关联词，作为该试题所对应的各个标签。
作为本发明的一种优选技术方案：所述步骤A中，分别针对案件数据库中的各案件：结合预设警务专业用词词库，应用ik-max分词器针对案件的案件记录文档进行中文分词处理，获得该案件所对应的各个中文分词。
作为本发明的一种优选技术方案：所述步骤C中，针对步骤B所更新案件数据库中所有案件分别对应的各中文分词，应用word2vec算法进行自然语言处理，获得所有案件所对应各中文分词的词向量。
本发明所述一种警务相关智能组题方法，采用以上技术方案与现有技术相比，具有以下技术效果：
本发明所设计警务相关智能组题方法，采用全新试题分类策略，打破传统的知识点划分思路，引入案件数据库中各案件的案件记录文档，针对文档处理进行处理，应用词向量，实现各案件与警务试题库中各试题之间对应关系的获得，即针对警务试题库中各试题，实现了以案件案情为依据的划分，将试题与案件案情紧密联系起来，即将理论与实际相结合，让试题的学习更加贴近真实案件案情，由此提高警务知识的学习效率。
附图说明
图1是本发明设计警务相关智能组题方法的流程示意图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明设计了一种警务相关智能组题方法，实际应用当中，如图1所示，周期或指定时间执行如下步骤A至步骤F，用于周期或指定时间获得案件数据库中各案件与警务试题库中各试题之间的对应关系。
步骤A.分别针对案件数据库中的各案件：结合预设警务专业用词词库，应用ik-max分词器针对案件的案件记录文档进行中文分词处理，获得该案件所对应的各个中文分词；即获得各案件分别所对应的各个中文分词，然后进入步骤B。
步骤B.分别针对案件数据库中的各案件：根据预设无意义词库，剔除案件所对应各中文分词中的无意义词、以及连接词，更新该案件分别所对应的各个中文分词；即更新各案件分别所对应的各个中文分词，然后进入步骤C。
步骤C.针对步骤B所更新案件数据库中所有案件分别对应的各中文分词，应用word2vec算法进行自然语言处理，获得所有案件所对应各中文分词的词向量；并根据各中文分词的词向量，分别针对该各中文分词，获得中文分词周围所对应的各关联词，构成该中文分词所对应的关联词集合，即获得案件数据库中所有案件所对应各中文分词分别对应的关联词集合，然后进入步骤D。
实际应用当中，上述步骤C中，根据各中文分词的词向量，分别针对该各中文分词执行如下处理，获得案件数据库中所有案件所对应各中文分词分别对应的关联词集合。
首先获得中文分词的词向量分别与其余各中文分词的词向量之间的余弦距离，并按余弦距离由小至大、针对其余各中文分词进行排序；然后获得余弦距离大于预设余弦距离阈值的各个中文分词，作为该中文分词周围所对应的各个关联词，构成该中文分词所对应的关联词集合。
步骤D.根据预设警务知识点词汇词库，获得案件数据库中所有案件所对应各中文分词中、匹配警务知识点词汇的各个中文分词，作为案件数据库中所有案件所对应的各个知识点分词，并将各知识点分词分别所对应关联词集合中的各关联词、合并为目标关联词集合，然后进入步骤E。
步骤E.分别针对警务试题库中的各个试题：获得目标关联词集合中各关联词分别在试题中、以及该试题所对应答案和答案解析三处的共计出现次数，作为各关联词分别对应该试题的出现次数，并按出现次数由高至低、针对各关联词顺序，获得顺序至多前预设第一数量、且出现次数大于0的各个关联词，作为该试题所对应的各个标签；即获得警务试题库中各试题分别所对应的各个标签，然后进入步骤F。
步骤F.根据步骤B所更新案件数据库中所有案件分别对应的各中文分词，分别针对案件数据库中的各案件，进行案件所对应各中文分词与警务试题库中各试题分别所对应各个标签之间的匹配，获得各个匹配标签，并获得该各个匹配标签分别对应的试题，即作为该案件所对应的试题；即案件数据库中各案件与警务试题库中各试题之间的对应关系。
将本发明所设计警务相关智能组题方法，应用于实际当中，周期或指定时间执行上述步骤A至步骤F，即周期或指定时间获得案件数据库中各案件与警务试题库中各试题之间的对应关系，实际应用中，伴随着案件数据库中案件的增加，以及警务试题库中试题的增加，周期或指定时间会针对案件数据库中各案件与警务试题库中各试题之间的对应关系进行处理，每次都会对案件数据库的整体与警务试题库的整体进行处理，随着时间的推移，各类型、具体案件将会获得更多的试题与之形成实际加理论的模式，在具体的试题学习中，就可以获得更加好的学习效率，不停留于理论本身。
上述技术方案所设计警务相关智能组题方法，采用全新试题分类策略，打破传统的知识点划分思路，引入案件数据库中各案件的案件记录文档，针对文档处理进行处理，应用词向量，实现各案件与警务试题库中各试题之间对应关系的获得，即针对警务试题库中各试题，实现了以案件案情为依据的划分，将试题与案件案情紧密联系起来，即将理论与实际相结合，让试题的学习更加贴近真实案件案情，由此提高警务知识的学习效率。
上面结合附图对本发明的实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (5)
1.一种警务相关智能组题方法，其特征在于：周期或指定时间执行如下步骤A至步骤F，用于周期或指定时间获得案件数据库中各案件与警务试题库中各试题之间的对应关系；
步骤A. 分别针对案件数据库中的各案件：结合预设警务专业用词词库，应用分词器针对案件的案件记录文档进行中文分词处理，获得该案件所对应的各个中文分词；
即获得各案件分别所对应的各个中文分词，然后进入步骤B；
步骤B. 分别针对案件数据库中的各案件：根据预设无意义词库，剔除案件所对应各中文分词中的无意义词、以及连接词，更新该案件分别所对应的各个中文分词；
即更新各案件分别所对应的各个中文分词，然后进入步骤C；
步骤C. 针对步骤B所更新案件数据库中所有案件分别对应的各中文分词，进行自然语言处理，获得所有案件所对应各中文分词的词向量；并根据各中文分词的词向量，分别针对该各中文分词，获得中文分词周围所对应的各关联词，构成该中文分词所对应的关联词集合，即获得案件数据库中所有案件所对应各中文分词分别对应的关联词集合，然后进入步骤D；
步骤D. 根据预设警务知识点词汇词库，获得案件数据库中所有案件所对应各中文分词中、匹配警务知识点词汇的各个中文分词，作为案件数据库中所有案件所对应的各个知识点分词，并将各知识点分词分别所对应关联词集合中的各关联词、合并为目标关联词集合，然后进入步骤E；
步骤E. 分别针对警务试题库中的各个试题：获得目标关联词集合中各关联词分别在试题中的出现次数，并按出现次数由高至低、针对各关联词顺序，获得顺序至多前预设第一数量、且出现次数大于0的各个关联词，作为该试题所对应的各个标签；
即获得警务试题库中各试题分别所对应的各个标签，然后进入步骤F；
步骤F. 根据步骤B所更新案件数据库中所有案件分别对应的各中文分词，分别针对案件数据库中的各案件，进行案件所对应各中文分词与警务试题库中各试题分别所对应各个标签之间的匹配，获得各个匹配标签，并获得该各个匹配标签分别对应的试题，即作为该案件所对应的试题；即案件数据库中各案件与警务试题库中各试题之间的对应关系。
2.根据权利要求1所述一种警务相关智能组题方法，其特征在于：所述步骤C中，根据各中文分词的词向量，分别针对该各中文分词执行如下处理，获得案件数据库中所有案件所对应各中文分词分别对应的关联词集合；
首先获得中文分词的词向量分别与其余各中文分词的词向量之间的余弦距离，并按余弦距离由小至大、针对其余各中文分词进行排序；然后获得余弦距离大于预设余弦距离阈值的各个中文分词，作为该中文分词周围所对应的各个关联词，构成该中文分词所对应的关联词集合。
3.根据权利要求1所述一种警务相关智能组题方法，其特征在于：所述步骤E中，分别针对警务试题库中的各个试题：获得目标关联词集合中各关联词分别在试题中、以及该试题所对应答案和答案解析三处的共计出现次数，作为各关联词分别对应该试题的出现次数，并按出现次数由高至低、针对各关联词顺序，获得顺序至多前预设第一数量、且出现次数大于0的各个关联词，作为该试题所对应的各个标签。
4.根据权利要求1所述一种警务相关智能组题方法，其特征在于：所述步骤A中，分别针对案件数据库中的各案件：结合预设警务专业用词词库，应用ik-max分词器针对案件的案件记录文档进行中文分词处理，获得该案件所对应的各个中文分词。
5.根据权利要求1所述一种警务相关智能组题方法，其特征在于：所述步骤C中，针对步骤B所更新案件数据库中所有案件分别对应的各中文分词，应用word2vec算法进行自然语言处理，获得所有案件所对应各中文分词的词向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911208454.7A CN111027321B (zh) | 2019-11-30 | 2019-11-30 | 一种警务相关智能组题方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911208454.7A CN111027321B (zh) | 2019-11-30 | 2019-11-30 | 一种警务相关智能组题方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111027321A CN111027321A (zh) | 2020-04-17 |
| CN111027321B true CN111027321B (zh) | 2023-06-30 |
Family
ID=70207375
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911208454.7A Active CN111027321B (zh) | 2019-11-30 | 2019-11-30 | 一种警务相关智能组题方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111027321B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111858853B (zh) * | 2020-07-11 | 2023-07-25 | 杨帆 | 一种基于图神经网络的警务学习内容推荐方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105824798A (zh) * | 2016-03-03 | 2016-08-03 | 云南电网有限责任公司教育培训评价中心 | 基于试题关键字相似性的试题库中的试题去重方法 |
| CN108280059B (zh) * | 2018-01-09 | 2020-08-04 | 武汉斗鱼网络科技有限公司 | 直播间内容标签提取方法、存储介质、电子设备及系统 |
| CN110196978A (zh) * | 2019-06-04 | 2019-09-03 | 重庆大学 | 一种关注关联词的实体关系抽取方法 |
-
2019
- 2019-11-30 CN CN201911208454.7A patent/CN111027321B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN111027321A (zh) | 2020-04-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108121702B (zh) | 数学主观题评阅方法及系统 | |
| CN113705218B (zh) | 基于字符嵌入的事件元素网格化抽取方法、存储介质及电子装置 | |
| CN113140254B (zh) | 元学习药物-靶点相互作用预测系统及预测方法 | |
| CN111581966A (zh) | 一种融合上下文特征方面级情感分类方法和装置 | |
| CN108765383A (zh) | 基于深度迁移学习的视频描述方法 | |
| CN111709244A (zh) | 一种用于矛盾纠纷事件因果关系识别的深度学习方法 | |
| CN116796810A (zh) | 一种基于知识蒸馏的深度神经网络模型压缩方法及装置 | |
| CN111027321B (zh) | 一种警务相关智能组题方法 | |
| Zhong | Evaluation of traditional culture teaching efficiency by course ideological and political integration lightweight deep learning | |
| CN113011196A (zh) | 一种概念增强表示与单向蕴含注意力的主观题自动阅卷神经网络模型 | |
| CN110909132B (zh) | 一种基于语义分析的警务学习内容分析划归方法 | |
| US20230289528A1 (en) | Method for constructing sentiment classification model based on metaphor identification | |
| CN110825852A (zh) | 面向长文本的语义匹配方法及系统 | |
| CN110968669B (zh) | 一种智能视频分析警务试题归类推荐方法 | |
| Heys | Machine learning as a tool to identify critical assignments | |
| Wu et al. | Boundaryface: A mining framework with noise label self-correction for face recognition | |
| CN115062123A (zh) | 一种对话生成系统的知识库问答对生成方法 | |
| CN112749556B (zh) | 多语言模型的训练方法和装置、存储介质和电子设备 | |
| CN111553821B (zh) | 基于教师学生网络和多头解码器的应用题自动解题方法 | |
| CN112015921A (zh) | 一种基于学习辅助知识图谱的自然语言处理方法 | |
| CN111008658B (zh) | 一种基于监督式学习的警务人员学习分析系统 | |
| CN117711001B (zh) | 图像处理方法、装置、设备和介质 | |
| CN116522932B (zh) | 一种文本分析方法及系统 | |
| Shi et al. | Design of Individualized English Learning Path Recommendation Algorithm Based on Machine Learning and Internet of Things | |
| Basak et al. | Transformer based Multitask Learning for Image Captioning and Object Detection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |