CN111179129A - 课件质量的评价方法、装置、服务器及存储介质 - Google Patents

课件质量的评价方法、装置、服务器及存储介质 Download PDF

Info

Publication number
CN111179129A
CN111179129A CN201911302918.0A CN201911302918A CN111179129A CN 111179129 A CN111179129 A CN 111179129A CN 201911302918 A CN201911302918 A CN 201911302918A CN 111179129 A CN111179129 A CN 111179129A
Authority
CN
China
Prior art keywords
courseware
evaluated
global vector
sample
similarity
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.)
Pending
Application number
CN201911302918.0A
Other languages
English (en)
Inventor
胡启明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Shiyuan Electronics Thecnology Co Ltd
Original Assignee
Guangzhou Shiyuan Electronics Thecnology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Shiyuan Electronics Thecnology Co Ltd filed Critical Guangzhou Shiyuan Electronics Thecnology Co Ltd
Priority to CN201911302918.0A priority Critical patent/CN111179129A/zh
Publication of CN111179129A publication Critical patent/CN111179129A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请属于互联网技术领域，具体而言，涉及一种课件质量的评价方法、装置、服务器及存储介质。其中，一种课件质量的评价方法，包括：获取待评价课件；基于全局向量提取模型对所述待评价课件进行特征提取，得到所述待评价课件的全局向量；计算所述待评价课件的全局向量与课件样本集中每个课件样本的全局向量之间的相似度，得到多个相似度值；基于所述多个相似度值，确定所述待评价课件的质量值。因此当用户新提交一个待评价课件时，服务器可以计算待评价课件的全局向量与课件样本集中每个课件样本的全局向量之间的相似度，确定待评价课件的质量值，不需要服务器获取该待评价课件的点击量，可以提高课件质量的评价效率。

Description

课件质量的评价方法、装置、服务器及存储介质
技术领域
本申请属于互联网技术领域，具体而言，涉及一种课件质量的评价方法、装置、服务器及存储介质。
背景技术
随着科学技术的发展，课件质量的评价方法也有很多。例如用户获取质量较高的课件时，可以在用户生成内容(User Generated Content，UGC)平台上基于热门推送获取到质量较高的课件。当用户获取到质量较高的课件时，可以点击并打开该课件。用户采用热门推送方法获取到质量较高的课件时，该质量较高的课件可以是用户点击量较高的课件。因此热门推荐的课件的点击量会越来越高。因此对于从未曝光的课件，无法获取到从未曝光的课件的点击量，因此服务器无法对从未曝光的课件质量进行评价，课件质量的评价效率较低。
发明内容
本申请实施例提供一种课件质量的评价方法、装置、服务器及存储介质，可以提高课件质量的评价效率。
第一方面，本申请实施例提供一种课件质量的评价方法，包括：
获取待评价课件；
基于全局向量提取模型对所述待评价课件进行特征提取，得到所述待评价课件的全局向量；
计算所述待评价课件的全局向量与课件样本集中每个课件样本的全局向量之间的相似度，得到多个相似度值；
基于所述多个相似度值，确定所述待评价课件的质量值。
根据一些实施例，所述基于全局向量提取模型对所述待评价课件进行特征提取，得到所述待评价课件的全局向量，包括：
获取所述待评价课件的多个局部向量，所述多个局部向量包括多个图片局部向量和多个文本局部向量；
基于向量池化网络融合模型对所述待评价课件的所述多个局部向量进行融合，得到所述待评价课件的全局向量。
根据一些实施例，所述获取所述待评价课件的多个局部向量，包括：
基于图像神经网络模型，获取所述待评价课件中每张图片对应的图片局部向量；
基于文本神经网络模型，获取所述待评价课件中每页文本对应的文本局部向量；
基于投影神经网络模型对所述图片局部向量和所述文本局部向量进行投影处理，获取所述待评价课件的所述多个局部向量。
根据一些实施例，所述方法还包括：
基于所述第一训练样本和所述第二训练样本，训练所述全局向量提取模型；
第一训练样本包括所述多个局部向量和所述待评价课件的全局向量；
第二训练样本包括所述多个局部向量和所述课件样本集中每个课件样本的全局向量。
根据一些实施例，所述基于所述多个相似度值，确定所述待评价课件的质量值，包括：
按照相似度值由高到低的顺序，对所述课件样本集中每个课件样本进行排序；
按照相似度值由高到低的顺序，获取所述课件样本集中预设数量的课件样本；
计算所述预设数量的课件样本的相似度值的衰减加权平均值；
基于所述衰减加权平均值，计算所述待评价课件的质量值。
根据一些实施例，所述基于所述多个相似度，按照相似度由高到低的顺序对所述预设课件进行排序之前包括：
对所述多个相似度值进行归一化处理。
根据一些实施例，所述基于所述多个相似度值，确定所述待评价课件的质量值，包括：
基于所述多个相似度值，获取所述课件样本集中的至少一个课件样本，所述至少一个课件样本的全局向量与所述待评价课件的全局向量之间的相似度值高于预设相似度值；
按照所述相似度值由高到低的顺序，对所述至少一个课件样本进行排序；
计算所述至少一个课件样本的相似度值的衰减加权平均值；
基于所述衰减加权平均值，计算所述待评价课件的质量值。
第二方面，本申请实施例提供一种课件质量的评价装置，包括：
课件获取单元，用于获取待评价课件；
特征提取单元，用于基于全局向量提取模型对所述待评价课件进行特征提取，得到所述待评价课件的全局向量；
相似度计算单元，用于计算所述待评价课件的全局向量与课件样本集中每个课件样本的全局向量之间的相似度，得到多个相似度值；
质量值确定单元，用于基于所述多个相似度值，确定所述待评价课件的质量值。
第三方面，本申请实施例提供一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述的方法。
第四方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述的方法。
第五方面，本申请实施例提供一种计算机程序产品，其中，上述计算机程序产品包括存储计算机程序的非瞬时性计算机可读存储介质，上述计算机程序可操作来使计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
本申请实施例提供一种课件质量的评价方法、装置、服务器及存储介质，在获取到待评价课件时，基于全局向量提取模型对待评价课件进行特征提取，得到待评价课件的全局向量，可以计算待评价课件的全局向量与课件样本集中每个课件样本的全局向量之间的相似度，得到多个相似度值，基于多个相似度值，确定待评价课件的质量值。因此当用户新提交一个待评价课件时，服务器可以计算待评价课件的全局向量与课件样本集中每个课件样本的全局向量之间的相似度，得到多个相似度值，可以确定待评价课件的质量值，不需要服务器获取该待评价课件的点击量，可以减少人工进行课件质量评价的成本，减少课件质量评价时间，进而可以提高课件质量的评价效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出本申请实施例的课件质量的评价方法的流程示意图；
图2示出本申请实施例的课件质量的评价方法的交互示意图；
图3示出本申请实施例的课件质量的评价方法的流程示意图；
图4示出本申请实施例的课件质量的评价方法的流程示意图；
图5示出本申请实施例的课件质量的评价方法的流程示意图；
图6示出本申请实施例的课件质量的评价方法的交互示意图；
图7示出本申请实施例的终端的界面示意图；
图8示出本申请实施例的课件质量的评价装置的结构示意图；
图9示出本申请实施例的一种服务器的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅为本申请实施例的一部分，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
随着科学技术的发展，课件质量的评价方法也有很多。例如在UGC平台中，服务器可以记录每个课件的点击量，并将课件的点击量作为评价课件质量的标准。服务器记录的课件的点击量越高，确定该课件的质量就越高。服务器可以基于每个课件的点击量进行课件推送。因此当用户需要获取质量较高的课件时，可以在UGC平台上输入所需课件对应的关键词，基于该关键词和课件的点击量，服务器可以对课件进行推送。用户可以根据服务器的推送结果，可以获取到质量较高的课件。但是一个课件的点击量具有累积效应，因此当服务器基于每个课件的点击量进行推送时，质量越高的课件点击量也会越高。对于服务器获取到从未曝光的新课件，由于服务器记录到新课件的点击量较少，服务器无法从未曝光的新课件进行质量评价，导致服务器对新课件的质量评价效率较低。由于服务器进行课件质量评价时需要记录课件的点击量，会增加课件质量评价时间，进而降低课件质量的评价效率。
根据一些实施例，例如在UGC平台中，审核人员会对用户新提交的课件进行质量评价，获取新课件的质量值。审核人员会对UGC平台中现有的课件中进行筛选，获取到与新课件较为相似的课件。审核人员基于新课件与筛选得到的课件进行比对，获取到新课件的质量值。由于审核人员会对UGC平台中现有的课件中进行筛选，获取到与新课件较为相似的课件，因此会增加人工进行课件质量评价的成本，增加课件质量评价时间，进而降低了课件质量的评价效率。本申请实施例提供一种课件质量的评价方法，当用户新提交一个待评价课件时，服务器可以计算待评价课件的全局向量与课件样本集中每个课件样本的全局向量之间的相似度，得到多个相似度值，可以确定待评价课件的质量值，不需要服务器获取该待评价课件的点击量，可以减少人工进行课件质量评价的成本，减少课件质量评价时间，进而可以提高课件质量的评价效率。
图1示出本申请实施例的课件质量的评价方法的流程示意图。
如图1所示，该课件质量的评价方法，包括：
S101，获取待评价课件。
根据一些实施例，待评价课件是指服务器新获取到的课件。该待评价课件可以是用户通过终端的软件程序将终端存储器中的课件上传至服务器，该待评价课件还可以是用户通过终端的软件程序将移动装置中的课件上传至服务器。例如用户可以通过计算机上安装的浏览器将U盘中的课件上传至服务器。
易于理解的是，当服务器检测到用户上传的课件时，服务器获取用户上传的课件，即服务器获取待评价课件。待评价课件的课件格式包括但不限于PPT、Word等。例如服务器获取到的待评价课件可以是PPT格式的课件。该PPT格式的课件例如可以包括文本和图片。
S102，基于全局向量提取模型对待评价课件进行特征提取，得到待评价课件的全局向量。
根据一些实施例，服务器获取到待评价课件时，可以基于全局向量提取模型对待评价课件进行特征提取，得到待评价课件的全局向量。其中，一个课件对应一条全局向量。例如，图2示出本申请实施例的课件质量的评价方法的交互示意图。如图2所示，服务器获取到用户所在的A终端上传的C待评价课件时，可以调用全局向量提取模型对C待评价课件进行特征提取，得到C待评价课件的全局向量。
易于理解的是，待评价课件的全局向量包括待评价课件中图片的局部向量和文本的局部向量。其中，服务器可以基于图像神经网络模型，获取待评价课件中每张图片对应的图片局部向量，服务器可以基于文本神经网络模型，获取待评价课件中每页文本对应的文本局部向量。服务器可以基于获取到图片局部向量和文本局部向量获取到待评价课件的全局向量。
可选的，服务器获取到的D待评价课件例如可以为PPT课件。该PPT课件例如包括30张图片和20页文本，每张图片对应一个图片局部向量，每页文本对应一个文本局部向量。服务器可以调用图像神经网络模型获取每张图片对应的图片向量，即服务器可以调用图像神经网络模型可以获取到D待评价课件的30个图片局部向量。服务器可以调用文本神经网络模型获取每页文本对应的文本局部向量，即服务器可以调用文本神经网络模型可以获取到D待评价课件的20个文本局部向量。服务器可以基于获取到30个图片局部向量和20个文本局部向量获取到D待评价课件的全局向量。
S103，计算待评价课件的全局向量与课件样本集中每个课件样本的全局向量之间的相似度，得到多个相似度值。
根据一些实施例，服务器可以基于全局向量提取模型对课件样本集中的每个课件样本进行特征提取，得到每个课件样本的全局向量。例如课件样本集中包括10个课件样本，10个课件样本可以分别为E1课件样本、E2课件样本、E3课件样本、E4课件样本、E5课件样本、E6课件样本、E7课件样本、E8课件样本、E9课件样本和E10课件样本。服务器可以调用全局向量提取模型分别对10个课件样本进行特征提取得到10个课件样本的全局向量。该10个课件样本的全局向量可以分别为e1全局向量、e2全局向量、e3全局向量、e4全局向量、e5全局向量、e6全局向量、e7全局向量、e8全局向量、e9全局向量和e10全局向量。
易于理解的是，服务器可以在步骤S101获取待评价课件之前，基于全局向量提取模型对课件样本集中的每个课件样本进行特征提取，得到每个课件样本的全局向量。服务器还可以在步骤S101获取待评价课件之后，步骤S103计算待评价课件的全局向量与课件样本集中每个课件样本的全局向量之间的相似度，得到多个相似度值之前，基于全局向量提取模型对课件样本集中的每个课件样本进行特征提取，得到每个课件样本的全局向量。
可选的，当服务器获取到课件样本集中课件样本的全局向量时，可以计算待评价课件的全局向量和课件样本集中每个课件样本的全局向量之间的相似度，得到多个相似度值。例如服务器获取到F待评价课件的全局向量为f全局向量和10个课件样本的全局向量时，可以分别计算f全局向量和e1全局向量之间的相似度值、f全局向量和e2全局向量之间的相似度值、f全局向量和e3全局向量之间的相似度值、f全局向量和e4全局向量之间的相似度值、f全局向量和e5全局向量之间的相似度值、f全局向量和e6全局向量之间的相似度值、f全局向量和e7全局向量之间的相似度值、f全局向量和e8全局向量之间的相似度值、f全局向量和e9全局向量之间的相似度值和f全局向量和e10全局向量之间的相似度值，得到10个相似度值。该10个相似度值例如可以分别为0.82、0.55、0.49、0.65、0.69、0.76、0.90、0.55、0.75和0.88。
S104，基于多个相似度值，确定待评价课件的质量值。
根据一些实施例，当服务器获取到待评价课件的全局向量与课件样本集中每个课件样本的全局向量之间的多个相似度值时，可以基于多个相似度值，获取课件样本集中的至少一个课件样本。其中该至少一个课件样本的全局向量与待评价课件的全局向量之间的相似度值高于预设相似度值。例如服务器设置的预设相似度值可以是0.6。例如课件样本集中包括10个课件样本，服务器获取到的10个相似度值例如可以分别为0.82、0.55、0.49、0.65、0.69、0.76、0.90、0.55、0.75和0.88。服务器可以获取到课件样本集中的E1课件样本、E4课件样本、E5课件样本、E6课件样本、E7课件样本、E9课件样本和E10课件样本。
易于理解的是，图3示出本申请实施例的课件质量的评价方法的流程示意图。如图3所示，该课件质量的评价方法，还包括：基于多个相似度值，获取样本课件集中的至少一个样本课件，至少一个样本课件的全局向量与待评价课件的全局向量之间的相似度值高于预设相似度值；按照相似度值由高到低的顺序，对至少一个样本课件进行排序；计算至少一个样本课件的衰减加权平均值；基于衰减加权平均值，计算待评价课件的质量值。
易于理解的是，服务器可以按照相似度值由高到低的顺序，对至少一个课件样本进行排序。服务器按照相似度值由高到低的顺序，对课件样本集中的E1课件样本、E4课件样本、E5课件样本、E6课件样本、E7课件样本、E9课件样本和E10课件样本进行排序，排序后的结果例如可以是E7课件样本、E10课件样本、E1课件样本、E6课件样本、E9课件样本、E6课件样本、E5课件样本。
可选的，当服务器对至少一个课件样本进行排序后，可以对每个课件样本的相似度值赋予不同的权重值，相似度较高的课件样本赋予较高的权重值。例如服务器赋予E7课件样本的权重值可以是0.36、赋予E10课件样本的权重值可以是0.15、赋予E1课件样本的权重值可以是0.14、赋予E6课件样本的权重值可以是0.13、赋予E9课件样本的权重值可以是0.10、赋予E6课件样本的权重值可以是0.07和E5课件样本的权重值可以是0.05。服务器基于不同的权重值，可以计算至少一个课件样本相似度值的衰减加权平均值。服务器计算得到相似度值的衰减加权平均值可以是0.8254。
根据一些实施例，服务器基于衰减加权平均值，可以计算待评价课件的质量值。例如服务器可以基于下述公式：
Figure BDA0002322310120000091
计算得到待评价课件的质量值；其中：
Figure BDA0002322310120000092
为待评价课件的质量值；
Figure BDA0002322310120000093
为衰减加权平均值。例如服务器计算得到的衰减加权平均值可以是0.8254，利用公式，计算得到待评价课件的质量值为0.1746。待评价课件的质量值越低，说明待评价课件的独创度越高。
本申请实施例提供一种课件质量的评价方法，在获取到待评价课件时，基于全局向量提取模型对待评价课件进行特征提取，得到待评价课件的全局向量，可以计算待评价课件的全局向量与课件样本集中每个课件样本的全局向量之间的相似度，得到多个相似度值，基于多个相似度值，确定待评价课件的质量值。因此当用户新提交一个待评价课件时，服务器可以计算待评价课件的全局向量与课件样本集中每个课件样本的全局向量之间的相似度，得到多个相似度值，可以确定待评价课件的质量值，不需要服务器获取该待评价课件的点击量，可以减少人工进行课件质量评价的成本，减少课件质量评价时间，进而可以提高课件质量的评价效率。
图4示出本申请实施例的课件质量的评价方法的流程示意图。
如图4所示，该课件质量的评价方法，包括：
S401，获取待评价课件。
根据一些实施例，当用户完成新课件的创作时，可以将该新课件存储至U盘中。用户可以通过计算机上的浏览器将U盘中的课件上传至服务器。服务器检测到用户上传的新课件时，可以获取到用户上传的新课件，即服务器可以获取到待评价课件。
S402，获取待评价课件的多个局部向量，多个局部向量包括多个图片局部向量和多个文本局部向量。
根据一些实施例，如图5所示，本申请实施例的获取待评价课件的多个局部向量包括：基于图像神经网络模型，获取课件中每张图片对应的图片局部向量；基于文本神经网络模型，获取课件中每页文本对应的文本局部向量；基于投影神经网络模型对图片局部向量和文本局部向量进行投影处理，获取待评价课件的多个局部向量。
易于理解的是，服务器基于图像神经网络模型，可以获取待评价课件中每张图片对应的图片局部向量，基于文本神经网络模型，获取待评价课件中每页文本对应的文本局部向量。服务器基于投影神经网络模型对图片局部向量和文本局部向量进行投影处理，可以获取到待评价课件的多个局部向量。
可选的，服务器获取到的T待评价课件例如可以为PPT课件。该PPT课件例如包括30张图片和20页文本，每张图片对应一个图片局部向量，每页文本对应一个文本局部向量。服务器可以调用残差网络ResNet18模型可以获取到T待评价课件的30个图片局部向量，调用BERT模型可以获取到T待评价课件的20个文本局部向量。由于图片局部向量和文本局部向量的向量维度不同，因此当服务器获取到30个图片局部向量和20个文本局部向量时，可以调用投影神经网络模型对30个图片局部向量和20个文本局部向量进行投影处理，得到T待评价课件的多个局部向量，其中多个局部向量的向量维度相同。
S403，基于向量池化网络融合模型对待评价课件的多个局部向量进行融合，得到待评价课件的全局向量。
根据一些实施例，全局向量特征提取模型例如可以包括向量池化网络融合模型。向量池化网络融合模型可以将多个局部向量融合为一个全局向量。服务器使用该模型可以对多个局部向量赋予相同的权重值，因此本申请实施例的技术方案可以用于不同课件的局部向量的个数不同的问题。
易于理解的是，当服务器获取到30个图片局部向量和20个文本局部向量时，调用投影神经网络模型对30个图片局部向量和20个文本局部向量进行投影处理，得到T待评价课件的多个局部向量后，可以对50个局部向量赋予相同的权重值，将50个局部向量融合成一个全局向量。
根据一些实施例，服务器获取到多个局部向量时，可以采用无监督信息化最大技术优化全局向量提取模型。服务器可以基于第一训练样本和第二训练样本，训练全局向量提取模型。其中第一训练样本包括多个局部向量和待评价课件的全局向量；第二训练样本包括多个局部向量和课件样本集中每个课件样本的全局向量。服务器可以采用下述公式进行优化：
Figure BDA0002322310120000111
其中，x,z～p(x,z)代表第一训练模型；x,z～p(x)p(z)代表第二训练模型。当第一训练样本的输出为1，第二训练样本的输出为负数时，服务器完成对全局向量提取模型的优化训练。
易于理解的是，服务器设置的第一训练样本可以包括30个图片局部向量、20个文本局部向量和Y待评价课件的全局向量；服务器设置的第二训练样本可以包括30个图片局部向量、20个文本局部向量和e1全局向量、e2全局向量、e3全局向量、e4全局向量、e5全局向量、e6全局向量、e7全局向量、e8全局向量、e9全局向量和e10全局向量。服务器可以使用第一训练样本和第二训练样本，训练全局向量提取模型。
S404，计算待评价课件的全局向量与课件样本集中每个课件样本的全局向量之间的相似度，得到多个相似度值。
具体过程如上所述，此处不再赘述。
S405，对多个相似度值进行归一化处理。
根据一些实施例，当服务器获取到多个相似度值时，可以对多个相似度值进行归一化处理。由于相似度值会集中在某一个范围，服务器对多个相似度值进行归一化处理可以提高课件质量值的准确度。
易于理解的是，服务器获取到的10个相似度值例如可以分别为0.82、0.55、0.49、0.65、0.69、0.76、0.90、0.55、0.75和0.88。服务器获取到10个相似度值时，可以对10个相似度进行归一化处理。
S406，按照相似度值由高到低的顺序，对课件样本集中每个课件样本进行排序。
根据一些实施例，当服务器获取到多个相似度值时，可以按照相似度值由高到底的顺序，对课件样本集中每个课件样本进行排序。例如课件样本集中包括10个课件样本，10个课件样本可以分别为E1课件样本、E2课件样本、E3课件样本、E4课件样本、E5课件样本、E6课件样本、E7课件样本、E8课件样本、E9课件样本和E10课件样本。服务器获取到待评价课件的全局向量和课件样本集中每个课件的全局向量之间的相似度值例如可以分别为0.82、0.55、0.49、0.65、0.69、0.76、0.90、0.55、0.75和0.88。服务器可以按照相似度由高到低的顺序对10个课件样本进行排序，排序结果例如可以是E7课件样本、E10课件样本、E1课件样本、E6课件样本、E9课件样本、E5课件样本、E4课件样本、E2课件样本、E8课件样本和E3课件样本。
S407，按照相似度值由高到低的顺序，获取课件样本集中预设数量的课件样本。
根据一些实施例，当服务器按照相似度值由高到低的顺序对课件样本集中每个课件样本进行排序后，可以按照相似度值由高到低的顺序，获取课件样本集中预设数量的课件样本。例如服务器设置的预设数量可以是5个。当课件样本集中包括10个课件样本，服务器按照相似度由高到低的顺序对10个课件样本进行排序后，可以获取相似度排序前5的课件样本。
易于理解的是，课件样本集中包括10个课件样本。服务器获取到待评价课件的全局向量和课件样本集中每个课件的全局向量之间的相似度值例如可以分别为0.82、0.55、0.49、0.65、0.69、0.76、0.90、0.55、0.75和0.88。服务器按照相似度值由高到低的顺序对10个课件样本进行排序，排序结果例如可以是E7课件样本、E10课件样本、E1课件样本、E6课件样本、E9课件样本、E5课件样本、E4课件样本、E2课件样本、E8课件样本和E3课件样本时，服务器可以获取课件样本集中E7课件样本、E10课件样本、E1课件样本、E6课件样本、E9课件样本。
S408，计算预设数量的课件样本的相似度值的衰减加权平均值。
根据一些实施例，相似度值较高的课件样本对待评价课件质量评价的影响越高。因此，服务器计算预设数量的课件样本的相似度值的衰减加权平均值，可以对预设数量的课件样本的相似度值赋予不同的权重值，相似度越高，赋予的权重值越高。
易于理解的是，例如服务器设置的预设数量可以是5个。当课件样本集中包括10个课件样本，服务器按照相似度由高到低的顺序对10个课件样本进行排序后，可以获取课件样本集中E7课件样本、E10课件样本、E1课件样本、E6课件样本、E9课件样本。服务器可以赋予E7课件样本的相似度值的权重值为0.4、E10课件样本的相似度值的权重值为0.35、E1课件样本的相似度值的权重值为0.15、E6课件样本的相似度值的权重值为0.08、E9课件样本的相似度值的权重值为0.02。服务器基于相似度值的权重值，可以计算得到5个课件样本的相似度值的衰减加权平均值。
S409，基于衰减加权平均值，计算待评价课件的质量值。
具体过程如上所述，此处不再赘述。
根据一些实施例，图6示出本申请实施例的终端和服务器的交互示意图。如图6所示，当服务器计算得到待评价课件的质量值时，可以判断该质量值是否低于预设质量值。当服务器检测到该质量值低于预设质量值时，可以将该待评价课件存储至课件样本集中。当服务器将测到该质量值高于预设质量值时，说明该待评价课件与课件样本集中的课件相似度较高，服务器不会将该待评价课件存储至课件样本集中。
易于理解的是，当服务器计算得到待评价课件的质量值时，可以将该质量值发送至用户所在终端。终端接收到待评价课件的质量值时，可以将该质量值显示在终端的界面上。用户可以直接看到待评价课件的质量值，决定是否将该待评价的课件存储至课件样本集中，此时终端的显示界面可以如图7所示。
本申请实施例提供一种课件质量的评价方法，在获取到待评价课件时，获取待评价课件的多个局部向量，基于向量池化网络融合模型对待评价课件的多个局部向量进行融合，得到待评价课件的全局向量，可以计算待评价课件的全局向量与课件样本集中每个课件样本的全局向量之间的相似度，得到多个相似度值，基于多个相似度值，确定待评价课件的质量值。因此当用户新提交一个待评价课件时，服务器可以计算待评价课件的全局向量与课件样本集中每个课件样本的全局向量之间的相似度，得到多个相似度值，可以确定待评价课件的质量值，不需要服务器获取该待评价课件的点击量，可以减少人工进行课件质量评价的成本，减少课件质量评价时间，进而可以提高课件质量的评价效率。
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
请参见图8，其示出了本申请一个示例性实施例提供的课件质量的评价装置的结构示意图。该课件质量的评价装置800可以通过软件、硬件或者两者的结合实现成为用户终端的全部或一部分。该课件质量的评价装置包括课件获取单元801、特征提取单元802、相似度计算单元803和质量值确定单元804，其中：
课件获取单元801，用于获取待评价课件；
特征提取单元802，用于基于全局向量提取模型对待评价课件进行特征提取，得到待评价课件的全局向量；
相似度计算单元803，用于计算待评价课件的全局向量与课件样本集中每个课件样本的全局向量之间的相似度，得到多个相似度值；
质量值确定单元804，用于基于多个相似度值，确定待评价课件的质量值。
根据一些实施例，特征提取单元802，还用于获取待评价课件的多个局部向量，多个局部向量包括多个图片局部向量和多个文本局部向量；
基于向量池化网络融合模型对待评价课件的多个局部向量进行融合，得到待评价课件的全局向量。
根据一些实施例，特征提取单元802，还用于基于图像神经网络模型，获取课件中每张图片对应的图片局部向量；
基于文本神经网络模型，获取课件中每页文本对应的文本局部向量；
基于投影神经网络模型对图片局部向量和文本局部向量进行投影处理，获取待评价课件的多个局部向量。
根据一些实施例，特征提取单元802，还用于基于第一训练样本和第二训练样本，训练全局向量提取模型；
第一训练样本包括多个局部向量和待评价课件的全局向量；
第二训练样本包括多个局部向量和课件样本集中每个课件样本的全局向量。
根据一些实施例，质量值确定单元804，还用于按照相似度值由高到低的顺序，对课件样本集中每个课件样本进行排序；
按照相似度值由高到低的顺序，获取课件样本集中预设数量的课件样本；
计算预设数量的课件样本的相似度值的衰减加权平均值；
基于衰减加权平均值，计算待评价课件的质量值。
根据一些实施例，该课件质量的评价装置800还包括归一化处理单元805，用于基于多个相似度，按照相似度由高到低的顺序对预设课件进行排序之前，对多个相似度值进行归一化处理。
根据一些实施例，质量值确定单元804，还用于基于多个相似度值，获取课件样本集中的至少一个课件样本，至少一个课件样本的全局向量与待评价课件的全局向量之间的相似度值高于预设相似度值；
按照相似度值由高到低的顺序，对至少一个课件样本进行排序；
计算至少一个课件样本的相似度值的衰减加权平均值；
基于衰减加权平均值，计算待评价课件的质量值。
本申请实施例提供一种课件质量的评价装置，课件获取单元获取待评价课件，特征提取单元基于全局向量提取模型对待评价课件进行特征提取，得到待评价课件的全局向量，相似度计算单元计算待评价课件的全局向量与课件样本集中每个课件样本的全局向量之间的相似度，得到多个相似度值，质量值确定单元基于多个相似度值，确定待评价课件的质量值。因此当用户新提交一个待评价课件时，课件质量的评价装置可以计算待评价课件的全局向量与课件样本集中每个课件样本的全局向量之间的相似度，得到多个相似度值，可以确定待评价课件的质量值，不需要课件质量的评价装置获取该待评价课件的点击量，可以减少人工进行课件质量评价的成本，减少课件质量评价时间，进而可以提高课件质量的评价效率。
请参见图9，为本申请实施例提供的一种服务器的结构示意图。如图9所示，所述服务器900可以包括：至少一个处理器901，至少一个网络接口904，用户接口903，存储器905，至少一个通信总线902。
其中，通信总线902用于实现这些组件之间的连接通信。
其中，用户接口903可以包括显示屏(Display)和GPS，可选用户接口903还可以包括标准的有线接口、无线接口。
其中，网络接口904可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
其中，处理器901可以包括一个或者多个处理核心。处理器901利用各种借口和线路连接整个服务器900内的各个部分，通过运行或执行存储在存储器905内的指令、程序、代码集或指令集，以及调用存储在存储器905内的数据，执行服务器900的各种功能和处理数据。可选的，处理器901可以采用数字信号处理(Digital Signal Processing，DSP)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)、可编程逻辑阵列(ProgrammableLogic Array，PLA)中的至少一种硬件形式来实现。处理器901可集成中央处理器(CentralProcessing Unit，CPU)、图像处理器(Graphics Processing Unit，GPU)和调制解调器等中的一种或几种的组合。其中，CPU主要处理操作系统、用户界面和应用程序等；GPU用于负责显示屏所需要显示的内容的渲染和绘制；调制解调器用于处理无线通信。可以理解的是，上述调制解调器也可以不集成到处理器901中，单独通过一块芯片进行实现。
其中，存储器905可以包括随机存储器(Random Access Memory，RAM)，也可以包括只读存储器(Read-Only Memory)。可选的，该存储器905包括非瞬时性计算机可读介质(non-transitory computer-readable storage medium)。存储器905可用于存储指令、程序、代码、代码集或指令集。存储器905可包括存储程序区和存储数据区，其中，存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等；存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器905可选的还可以是至少一个位于远离前述处理器901的存储装置。如图9所示，作为一种计算机存储介质的存储器905中可以包括操作系统、网络通信模块、用户接口模块以及用于课件质量的评价的应用程序。
在图9所示的服务器900中，用户接口903主要用于为用户提供输入的接口，获取用户输入的数据；而处理器901可以用于调用存储器905中存储的课件质量的评价方法的应用程序，并具体执行以下操作：
获取待评价课件；
基于全局向量提取模型对待评价课件进行特征提取，得到待评价课件的全局向量；
计算待评价课件的全局向量与课件样本集中每个课件样本的全局向量之间的相似度，得到多个相似度值；
基于多个相似度值，确定待评价课件的质量值。
根据一些实施例，处理器901在执行基于全局向量提取模型对待评价课件进行特征提取，得到待评价课件的全局向量时，具体执行以下操作：
获取待评价课件的多个局部向量，多个局部向量包括多个图片局部向量和多个文本局部向量；
基于向量池化网络融合模型对待评价课件的多个局部向量进行融合，得到待评价课件的全局向量。
根据一些实施例，处理器901在执行获取待评价课件的多个局部向量时，具体执行以下操作：
基于图像神经网络模型，获取课件中每张图片对应的图片局部向量；
基于文本神经网络模型，获取课件中每页文本对应的文本局部向量；
基于投影神经网络模型对图片局部向量和文本局部向量进行投影处理，获取待评价课件的多个局部向量。
根据一些实施例，处理器901还具体执行以下操作：
基于第一训练样本和第二训练样本，训练全局向量提取模型；
第一训练样本包括多个局部向量和待评价课件的全局向量；
第二训练样本包括多个局部向量和课件样本集中每个课件样本的全局向量。
根据一些实施例，处理器901在执行基于多个相似度值，确定待评价课件的质量值时，具体执行以下操作：
按照相似度值由高到低的顺序，对课件样本集中每个课件样本进行排序；
按照相似度值由高到低的顺序，获取课件样本集中预设数量的课件样本；
计算预设数量的课件样本的相似度值的衰减加权平均值；
基于衰减加权平均值，计算待评价课件的质量值。
根据一些实施例，处理器901在执行基于多个相似度，按照相似度由高到低的顺序对预设课件进行排序之前，具体执行以下操作：
对多个相似度值进行归一化处理。
根据一些实施例，处理器901在执行基于多个相似度值，确定待评价课件的质量值时，具体执行以下操作：
基于多个相似度值，获取课件样本集中的至少一个课件样本，至少一个课件样本的全局向量与待评价课件的全局向量之间的相似度值高于预设相似度值；
按照相似度值由高到低的顺序，对至少一个课件样本进行排序；
计算至少一个课件样本的相似度值的衰减加权平均值；
基于衰减加权平均值，计算待评价课件的质量值。
本申请实施例提供一种服务器，在获取到待评价课件时，基于全局向量提取模型对待评价课件进行特征提取，得到待评价课件的全局向量，可以计算待评价课件的全局向量与课件样本集中每个课件样本的全局向量之间的相似度，得到多个相似度值，基于多个相似度值，确定待评价课件的质量值。因此当用户新提交一个待评价课件时，服务器可以计算待评价课件的全局向量与课件样本集中每个课件样本的全局向量之间的相似度，得到多个相似度值，可以确定待评价课件的质量值，不需要服务器获取该待评价课件的点击量，可以减少人工进行课件质量评价的成本，减少课件质量评价时间，进而可以提高课件质量的评价效率。
本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述方法的步骤。其中，计算机可读存储介质可以包括但不限于任何类型的盘，包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米系统(包括分子存储器IC)，或适合于存储指令和/或数据的任何类型的媒介或设备。
本申请实施例还提供一种计算机程序产品，该计算机程序产品包括存储计算机程序的非瞬时性计算机可读存储介质，该计算机程序可操作来使计算机执行如上述方法实施例中记载的任何一种课件质量的评价方法的部分或全部步骤。
本领域的技术人员可以清楚地了解到本申请的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件，其中硬件例如可以是现场可编程门阵列(Field－ProgrammaBLE GateArray，FPGA)、集成电路(Integrated Circuit，IC)等。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通进程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(Random AccessMemory，RAM)、磁盘或光盘等。
以上所述者，仅为本公开的示例性实施例，不能以此限定本公开的范围。即但凡依本公开教导所作的等效变化与修饰，皆仍属本公开涵盖的范围内。本领域技术人员在考虑说明书及实践这里的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未记载的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的范围和精神由权利要求限定。

Claims (10)

1.一种课件质量的评价方法，其特征在于，包括：
获取待评价课件；
基于全局向量提取模型对所述待评价课件进行特征提取，得到所述待评价课件的全局向量；
计算所述待评价课件的全局向量与课件样本集中每个课件样本的全局向量之间的相似度，得到多个相似度值；
基于所述多个相似度值，确定所述待评价课件的质量值。
2.如权利要求1所述的课件质量的评价方法，其特征在于，所述基于全局向量提取模型对所述待评价课件进行特征提取，得到所述待评价课件的全局向量，包括：
获取所述待评价课件的多个局部向量，所述多个局部向量包括多个图片局部向量和多个文本局部向量；
基于向量池化网络融合模型对所述待评价课件的所述多个局部向量进行融合，得到所述待评价课件的全局向量。
3.如权利要求2所述的课件质量的评价方法，其特征在于，所述获取所述待评价课件的多个局部向量，包括：
基于图像神经网络模型，获取所述待评价课件中每张图片对应的图片局部向量；
基于文本神经网络模型，获取所述待评价课件中每页文本对应的文本局部向量；
基于投影神经网络模型对所述图片局部向量和所述文本局部向量进行投影处理，获取所述待评价课件的所述多个局部向量。
4.如权利要求2所述的课件质量的评价方法，其特征在于，所述方法还包括：
基于所述第一训练样本和所述第二训练样本，训练所述全局向量提取模型；
第一训练样本包括所述多个局部向量和所述待评价课件的全局向量；
第二训练样本包括所述多个局部向量和所述课件样本集中每个课件样本的全局向量。
5.如权利要求1所述的课件质量的评价方法，其特征在于，所述基于所述多个相似度值，确定所述待评价课件的质量值，包括：
按照相似度值由高到低的顺序，对所述课件样本集中每个课件样本进行排序；
按照相似度值由高到低的顺序，获取所述课件样本集中预设数量的课件样本；
计算所述预设数量的课件样本的相似度值的衰减加权平均值；
基于所述衰减加权平均值，计算所述待评价课件的质量值。
6.如权利要求5所述的课件质量的评价方法，其特征在于，所述基于所述多个相似度，按照相似度由高到低的顺序对所述预设课件进行排序之前包括：
对所述多个相似度值进行归一化处理。
7.如权利要求1所述的课件质量的评价方法，其特征在于，所述基于所述多个相似度值，确定所述待评价课件的质量值，包括：
基于所述多个相似度值，获取所述课件样本集中的至少一个课件样本，所述至少一个课件样本的全局向量与所述待评价课件的全局向量之间的相似度值高于预设相似度值；
按照所述相似度值由高到低的顺序，对所述至少一个课件样本进行排序；
计算所述至少一个课件样本的相似度值的衰减加权平均值；
基于所述衰减加权平均值，计算所述待评价课件的质量值。
8.一种课件质量的评价装置，其特征在于，包括：
课件获取单元，用于获取待评价课件；
特征提取单元，用于基于全局向量提取模型对所述待评价课件进行特征提取，得到所述待评价课件的全局向量；
相似度计算单元，用于计算所述待评价课件的全局向量与课件样本集中每个课件样本的全局向量之间的相似度，得到多个相似度值；
质量值确定单元，用于基于所述多个相似度值，确定所述待评价课件的质量值。
9.一种服务器，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1-7中任一项所述的课件质量的评价方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现上述权利要求1-7中任一项所述的课件质量的评价方法。
CN201911302918.0A 2019-12-17 2019-12-17 课件质量的评价方法、装置、服务器及存储介质 Pending CN111179129A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911302918.0A CN111179129A (zh) 2019-12-17 2019-12-17 课件质量的评价方法、装置、服务器及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911302918.0A CN111179129A (zh) 2019-12-17 2019-12-17 课件质量的评价方法、装置、服务器及存储介质

Publications (1)

Publication Number Publication Date
CN111179129A true CN111179129A (zh) 2020-05-19

Family

ID=70650271

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911302918.0A Pending CN111179129A (zh) 2019-12-17 2019-12-17 课件质量的评价方法、装置、服务器及存储介质

Country Status (1)

Country Link
CN (1) CN111179129A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111724054A (zh) * 2020-06-16 2020-09-29 广州视源电子科技股份有限公司 一种评估方法、装置、终端设备及存储介质
CN112529091A (zh) * 2020-12-18 2021-03-19 广州视源电子科技股份有限公司 课件相似度检测方法、装置及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150039541A1 (en) * 2013-07-31 2015-02-05 Kadenze, Inc. Feature Extraction and Machine Learning for Evaluation of Audio-Type, Media-Rich Coursework
US20150147728A1 (en) * 2013-10-25 2015-05-28 Kadenze, Inc. Self Organizing Maps (SOMS) for Organizing, Categorizing, Browsing and/or Grading Large Collections of Assignments for Massive Online Education Systems
CN108733784A (zh) * 2018-05-09 2018-11-02 深圳市领点科技有限公司 一种教学课件推荐方法、装置及设备
CN109710931A (zh) * 2018-12-21 2019-05-03 中南民族大学 一种基于智能分析技术的课堂教学内容评价系统及其方法
CN110019862A (zh) * 2018-09-28 2019-07-16 广州视源电子科技股份有限公司 一种课件推荐方法、装置、设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150039541A1 (en) * 2013-07-31 2015-02-05 Kadenze, Inc. Feature Extraction and Machine Learning for Evaluation of Audio-Type, Media-Rich Coursework
US20150147728A1 (en) * 2013-10-25 2015-05-28 Kadenze, Inc. Self Organizing Maps (SOMS) for Organizing, Categorizing, Browsing and/or Grading Large Collections of Assignments for Massive Online Education Systems
CN108733784A (zh) * 2018-05-09 2018-11-02 深圳市领点科技有限公司 一种教学课件推荐方法、装置及设备
CN110019862A (zh) * 2018-09-28 2019-07-16 广州视源电子科技股份有限公司 一种课件推荐方法、装置、设备及存储介质
CN109710931A (zh) * 2018-12-21 2019-05-03 中南民族大学 一种基于智能分析技术的课堂教学内容评价系统及其方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111724054A (zh) * 2020-06-16 2020-09-29 广州视源电子科技股份有限公司 一种评估方法、装置、终端设备及存储介质
CN112529091A (zh) * 2020-12-18 2021-03-19 广州视源电子科技股份有限公司 课件相似度检测方法、装置及存储介质

Similar Documents

Publication Publication Date Title
CN110111334B (zh) 一种裂缝分割方法、装置、电子设备及存储介质
CN110363810B (zh) 建立图像检测模型的方法、装置、设备和计算机存储介质
CN111275491A (zh) 一种数据处理方法及装置
CN108985489B (zh) 一种风险预测方法、风险预测装置和终端设备
CN110096617B (zh) 视频分类方法、装置、电子设备及计算机可读存储介质
CN110278447B (zh) 基于连续特征的视频推送方法、装置及电子设备
CN110674349B (zh) 视频poi识别方法、装置及电子设备
CN111182367A (zh) 一种视频的生成方法、装置及计算机系统
CN109815448B (zh) 幻灯片生成方法及装置
CN111178056A (zh) 基于深度学习的文案生成方法、装置及电子设备
CN111179129A (zh) 课件质量的评价方法、装置、服务器及存储介质
CN111061867A (zh) 基于质量感知的文本生成方法、设备、存储介质及装置
CN111385601B (zh) 一种视频审核的方法、系统及设备
CN111738316A (zh) 零样本学习的图像分类方法、装置及电子设备
CN110058992B (zh) 一种文案模板效果反馈方法、装置及电子设备
CN113435499A (zh) 标签分类方法、装置、电子设备和存储介质
CN113724700B (zh) 语种识别、语种识别模型训练方法及装置
CN112004234B (zh) 待建基站的位置确定方法、装置、控制设备及存储介质
CN113378037B (zh) 资费配置的获取方法及装置
CN111159397B (zh) 文本分类方法和装置、服务器
CN114021716A (zh) 一种模型训练的方法、系统及电子设备
CN113947154A (zh) 一种目标检测方法、系统、电子设备及存储介质
CN113591881A (zh) 基于模型融合的意图识别方法、装置、电子设备及介质
CN111078877A (zh) 数据处理、文本分类模型的训练、文本分类方法和装置
CN110807118A (zh) 图像评论的生成方法、装置及电子设备

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