CN111291210A - 图像素材库生成方法、图像素材推荐方法及相关装置 - Google Patents
图像素材库生成方法、图像素材推荐方法及相关装置 Download PDFInfo
- Publication number
- CN111291210A CN111291210A CN202010037371.2A CN202010037371A CN111291210A CN 111291210 A CN111291210 A CN 111291210A CN 202010037371 A CN202010037371 A CN 202010037371A CN 111291210 A CN111291210 A CN 111291210A
- Authority
- CN
- China
- Prior art keywords
- chapter
- image material
- image
- courseware
- file
- 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.)
- Granted
Links
- 239000000463 material Substances 0.000 title claims abstract description 430
- 238000000034 method Methods 0.000 title claims abstract description 84
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims description 38
- 239000013598 vector Substances 0.000 claims description 12
- 238000013441 quality evaluation Methods 0.000 claims description 8
- 238000013145 classification model Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 abstract description 3
- 230000015654 memory Effects 0.000 description 15
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 241000282326 Felis catus Species 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 241000283973 Oryctolagus cuniculus Species 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000003796 beauty Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 240000005528 Arctium lappa Species 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/53—Querying
- G06F16/532—Query formulation, e.g. graphical querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9532—Query formulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- Mathematical Physics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明实施例公开了一种图像素材库生成方法、图像素材推荐方法及相关装置,包括:获取教学文件,教学文件包括多个章节;针对每个章节从章节的文本内容中确定出章节关键词;根据章节关键词获取章节的多张图像素材;将章节关键词作为图像素材的标签来存储图像素材,以生成用于制作所述教学文件的课件文件的图像素材库。在制作课件文件的过程中,无需用户在互联网上搜索图像素材,能够根据当前制作课件文件所属目标章节的关键词在图像素材库查找图像素材推荐给用户,一方面节省了用户搜索图像素材的时间,另一方面,能够根据课件文件所属章节推荐图像素材,降低了用户筛选图像素材的工作量,极大地提高了用户制作课件的效率。
Description
技术领域
本发明实施例涉及图像素材推荐技术领域,尤其涉及一种图像素材库生成方法、图像素材库生成装置、图像素材推荐方法、图像素材推荐装置、设备和存储介质。
背景技术
随着电子教学技术的发展,电子课件教学成为了用户教学工作中的重要手段之一,电子课件是用户根据教学文件(教科书等)的要求制定的用于教学中的文件,电子课件与教学文件有着直接联系。
一般而言,课件通常包括文本、图像等元素,用户在制作课件的过程中,经常需要在互联网上通过搜索引擎搜寻与课件主题相关的图像素材,以将图像素材添加到制作的课件中,然而,在互联网上搜索图像素材,用户需要从海量的素材中选择合适课件章节的图像素材,浪费了用户制作课件的时间,降低了用户制作课件的效率。
发明内容
本发明实施例提供一种图像素材库生成方法、图像素材推荐方法、图像素材库生成装置、图像素材推荐装置、设备和存储介质,以解决现有技术中需要用户在互联网上搜索图像素材造成制作课件效率低的问题。
第一方面,本发明实施例提供了一种图像素材库生成方法,包括:
获取教学文件,所述教学文件包括多个章节;
针对每个章节,从所述章节的文本内容中确定出章节关键词;
根据所述章节关键词获取所述章节的多张图像素材;
将所述章节关键词作为所述图像素材的标签来存储所述图像素材,以生成用于制作所述教学文件的课件文件的图像素材库。
第二方面,本发明实施例提供了一种图像素材推荐方法,包括:
在用户制作课件文件的过程中检测到图像素材推荐事件时,确定所述课件文件在教学文件中所对应的目标章节,所述目标章节预先设置有章节关键词;
获取所述教学文件的图像素材库,所述图像素材库中的每张图像素材具有标签,所述标签章节关键词;
在所述图像素材库中确定出标签与所述目标章节的章节关键词匹配的图像素材作为目标图像素材;
将所述目标图像素材推荐给所述用户;
其中,所述图像素材库通过本发明任一实施例所述的图像素材库生成方法所生成。
第三方面,本发明实施例提供了一种图像素材库生成装置,包括:
教学文件获取模块,用于获取教学文件,所述教学文件包括多个章节;
章节关键词确定模块,用于针对每个章节,从所述章节的文本内容中确定出章节关键词;
图像素材获取模块,用于根据所述章节关键词获取所述章节的多张图像素材;
图像素材库生成模块,用于将所述章节关键词作为所述图像素材的标签来存储所述图像素材,以生成用于制作所述教学文件的课件文件的图像素材库。
第四方面,本发明实施例提供了一种图像素材推荐装置,包括:
目标章节确定模块,用于在用户制作课件文件的过程中检测到图像素材推荐事件时,确定所述课件文件在教学文件中所对应的目标章节,所述目标章节预先设置有章节关键词;
图像素材库获取模块,用于获取所述教学文件的图像素材库,所述图像素材库中的每张图像素材具有标签,所述标签章节关键词;
目标图像素材确定模块,用于在所述图像素材库中确定出标签与所述目标章节的章节关键词匹配的图像素材作为目标图像素材;
目标图像素材推荐模块,用于将所述目标图像素材推荐给所述用户;
其中,所述图像素材库通过本发明任一实施例所述的图像素材库生成方法所生成。
第五方面,本发明实施例提供了一种设备,所述设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明任一实施例所述的图像素材库生成方法和/或图像素材推荐方法。
第六方面,本发明实施例提供了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本发明任一实施例所述的图像素材库生成方法和/或图像素材推荐方法。
本发明实施例通过获取包括多个章节的教学文件,针对每个章节从章节的文本内容中确定出章节关键词,根据章节关键词获取章节的多张图像素材,将章节关键词作为图像素材的标签来存储图像素材以生成用于制作教学文件的课件文件的图像素材库,能够在制作课件文件的过程中确定课件文件在教学文件中对应的目标章节,并根据目标章节的关键词在教学文件的图像素材库中确定出标签与目标章节的章节关键词匹配的图像素材作为目标图像素材推荐给用户,无需用户在互联网上搜索图像素材,能够根据当前制作课件文件所属目标章节的关键词在图像素材库查找图像素材推荐给用户,一方面节省了用户搜索图像素材的时间,另一方面,能够根据课件文件所属章节推荐图像素材,降低了用户筛选图像素材的工作量,极大地提高了用户制作课件的效率。
附图说明
图1是本发明实施例一提供的一种图像素材库生成方法的流程图;
图2是本发明实施例二提供的一种图像素材库生成方法的流程图;
图3是本发明实施例三提供的一种图像素材推荐方法的流程图;
图4A是本发明实施例四提供的一种图像素材推荐方法的流程图;
图4B是本发明实施例四提供的一种章节识别模型的示意图;
图5是本发明实施例五提供的一种图像素材库生成装置的结构框图;
图6是本发明实施例六提供的一种图像素材推荐装置的结构框图;
图7是本发明实施例七提供的一种设备的结构框图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种图像素材库生成方法的流程图,本发明实施例可适用于生成制作课件用的图像素材库的情况,该方法可以由图像素材库生成装置来执行,该装置可以通过软件和/或硬件的方式来实现,并集成在执行本方法的设备中,具体地,如图1所示,该方法可以包括如下步骤:
S101、获取教学文件,所述教学文件包括多个章节。
在本发明实施例中,教学文件可以是各个学科或者各种课程的课文、教科书、教案教辅等文件,课件文件可以为用户根据教学文件制作的用于教学中展示的文件。在实际应用中,根据教学知识点的不同,教学文件通常包括多个章节,每个章节讲述不同的教学知识点。
在本发明实施例的一个场景中,当用户在课件制作应用程序上制作课件时,用户需要导入或者选择课件文件针对的教学文件,则可以获取用户导入或者选择的教学文件,示例性地,当用户根据XX出版社出版的小学二年级语文上册这一教科书制作课件文件时,可以获取电子版的小学二年级语文上册的数据作为教学文件。
S102、针对每个章节,从所述章节的文本内容中确定出章节关键词。
在本发明实施例中,对于教学文件的每个章节,可以从章节讲述的文本内容中提取出命名实体,然后从命名实体中提取有形命名实体作为该章节的关键词,其中,命名实体(named entity)可以是人名、机构名、地名以及其他所有以名称为标识的实体,更广泛的命名实体还包括数字、日期、货币、地址等等,有形命名实体可以为现实生活中有形状的物体的名称,例如,兔子、汽车、月亮等为有形命名实体。
具体到本发明实施例中,可以将每个章节的文本内容输入到命名实体识别模型中识别出命名实体,然后基于WordNet/HowNet等大型词典,检索出有形命名实体(如兔子、汽车等),过滤掉抽象命名实体(如财富、智慧、虚空、美丽等),最后将有形命名实体作为该章节的章节关键词,示例性地,章节具有章节标识,可以将该章节的章节标识和章节关键词关联存储。
当然,在实际应用中也可以直接训练有形命名实体模型来识别每个章节的文本内容中的有形命名实体,或者基于WordNet/HowNet等大型词典直接检索出每个章节的文本内容中的有形命名实体,或者通过其他诸如人工标注等方式确定每个章节的有形命名实体作为该章节的章节关键词,本发明实施例对确定每个章节的章节关键词的方式不加以限制。
S103、根据所述章节关键词获取所述章节的多张图像素材。
具体地,可以以章节关键词为搜索关键词从互联网上搜索图像素材,示例性地,可以通过搜索引擎的图片搜索功能以章节关键词从互联网搜索图片,将搜索到的图片下载下来作为该章节的图像素材。
可选地,还可以对图像素材进行违规内容过滤、水印过滤、模糊图像过滤等去除掉具有违规内容、包含水印、分辨率不足的图像素材,使得最终的图像素材更适合用于制作课件。
S104、将所述章节关键词作为所述图像素材的标签来存储所述图像素材,以生成用于制作所述教学文件的课件文件的图像素材库。
对于每个章节的图像素材,可以为每张图像素材标注标签,该标签可以为该章节的关键词,每个章节的关键词的数量可以为一个或者一个以上,每张图像素材的标签可以包括一个或者一个以上的关键词,将所有章节的图像素材和标签存储后得到用于制作教学文件的课件文件时所使用的图像素材库。在用户制作课件时,识别课件所属的章节后,可以采用该章节的章节关键词在图像素材库中匹配出标签包含章节关键词的图像素材推荐给用户。
本发明实施例针对教学文件的每个章节,从章节的文本内容中确定出章节关键词,根据章节关键词获取章节的多张图像素材,将章节关键词作为图像素材的标签来存储图像素材以生成用于制作教学文件的课件文件的图像素材库。在制作课件文件的过程中确定课件文件在教学文件中对应的目标章节,并根据目标章节的关键词在教学文件的图像素材库中确定出标签与目标章节的章节关键词匹配的图像素材作为目标图像素材推荐给用户,无需用户在互联网上搜索图像素材,能够根据当前制作课件文件所属目标章节的关键词在图像素材库查找图像素材推荐给用户,一方面节省了用户搜索图像素材的时间,另一方面,能够根据课件文件所属章节推荐图像素材,降低了用户筛选图像素材的工作量,极大地提高了用户制作课件的效率。
实施例二
图2为本发明实施例二提供的一种图像素材库生成方法的流程图,本发明实施例在实施例一的基础上进行优化,具体地,如图2所示,该方法可以包括如下步骤:
S201、获取教学文件,所述教学文件包括多个章节。
在本发明实施例中,教学文件可以是各个学科或者各种课程的课文、教科书、教案教辅等文件,在实际应用中,根据教学知识点的不同,教学文件通常包括多个章节,每个章节讲述不同的教学知识点。当用户在课件制作应用程序上制作课件时,用户需要导入或者选择课件文件针对的教学文件,则可以获取用户导入或者选择的教学文件。
S202、针对每个章节的文本内容,从所述文本内容中识别出命名实体。
在本发明的可选实施例中,对于教学文件,可以获取每个章节的文本内容,将文本内容输入预先训练的命名实体识别模型中得到多个命名实体。
具体地,命名实体模型可以为LSTM-CRF模型,LSTM-CRF模型以文本内容为输入,输出的是文本内容中每个词的标签,其中,标签可以为人名类实体、地名类实体等等,文本内容输入LSTM层后,可以得到每个字或词所属标签的分数,然后所有字或词所属标签的分数输入到CRF层中,CRF选择每个字或词分数最高的标签作为该字或词的最终标签。
当然,在实际应用中,本领域技术人员还可以通过RNN、CNN、DNN等神经网络训练命名实体识别模型来识别文本内容中的名命实体。
S203、从所述命名实体中确定出有形命名实体作为所述章节内容的章节关键词。
在本发明的可选实施例中,可以基于词典对多个命名实体进行过滤获得有形命名实体作为章节内容的章节关键词,示例性地,词典可以为WordNet/HowNet等大型词典。
WordNet是在线词典数据库系统,采用了与传统词典不同的方式,其按照词义而不是词形来组织词汇信息。HowNet是一个以汉语和英语的词语所代表的概念为描述对象,以揭示概念与概念之间以及概念所具有的属性之间的关系为基本内容的常识知识库。在获得多个命名实体后,可以基于WordNet/HowNet等大型词典从多个命名实体中检索出有形名词实体(如兔子、汽车等),过滤掉抽象命名实体(如财富、智慧、虚空、美丽等),在获得有形命名实体后,可以将该章节的有形命名实体作为该章节的章节关键词,将该章节的章节标识和章节关键词关联存储。
S204、根据所述章节关键词获取所述章节的多张图像素材。
在本发明的可选实施例中,可以以章节关键词为搜索关键词从互联网上搜索图像素材,示例性地,可以通过搜索引擎的图片搜索功能以章节关键词从互联网搜索图片,将搜索到的图片下载下来作为该章节的图像素材。
S205、针对每张图像素材,确定所述图像素材是否为违规图像素材。
可选地,可以将图像素材输入预先训练的违规图像检测模型中获得检测数据,基于检测数据确定图像素材是否为违规图像素材,若是,则执行S206,若否,则执行S207。
其中,违规图像检测模型可以包括违规内容检测模型和水印检测模型,如果一张图像素材为违规图像或者是包含水印的图像即丢弃该图像素材。
违规内容检测模型可以检测一张图像为正常图像或者违规图像的概率,违规内容检测模型可以为VGGNet、CNN、RNN等神经网络。违规图像可以是指包含性感、色情、暴力、血腥、政治等不适合教学因素的图像,对于根据章节关键词获得的多张图像素材,可以依次输入到违规内容检测模型中获得该图像素材为违规图像的概率,如果该概率大于预设值,确定该图像素材为违规图像,不适用于课件制作,执行S206。
在本发明实施例中,水印检测模型可以为文字检测模型AttentionOCR,在该文件检测模型中输入图像素材后,如果文件检测模型输出水印文字的坐标,说明该图像素材包含水印文字,不适用于制作课件,执行S206,如果文件检测模型无输出,说明该图像素材不包含水印文字。
S206、丢弃所述图像素材。
具体地,可以从本地存储介质中删除包含违规内容或者包含水印的图像素材,或者标记图像素材为不可用状态。
本发明实施例对图像素材进行违规图像判断,去掉违规的图像素材,保证了图像素材库中的图像素材适用于教学课件制作,无需用户确定图像素材是否存在违规内容不适合教学场景,减轻了用户制作课件的强度,提高了课件制作的效率。
S207、确定所述图像素材属于各个章节关键词的分类概率。
在本发明的可选实施例中,对于每张图像素材,可以将该图像素材输入预先训练的分类模型中,获得图像素材属于各个章节关键词的分类概率。示例性地,分类模型为深度卷积神经网络VGGNet,将图像素材输入深度卷积神经网络VGGNet后,深度卷积神经网络VGGNet输出该图像素材属于N种分类的概率,其中,N种分类为章节的章节关键词的分类。
S208、将所述分类概率大于预设阈值的章节关键词作为所述图像素材的标签。
在得到一张图像素材属于各个章节关键词的分类概率后,如果某个分类概率大于预设阈值,说明该图像素材与某个分类的相关性比较大,则可以将分类概率大于预设阈值的章节关键词作为所述图像素材的标签。例如,图像素材A属于猫的分类概率为80%,属于狗的分类概率为70%,属于妖精的分类概率为30%,属于TOM猫的分类概率为40%,属于白猫的分类概率为90%,预设阈值为75%,则可以将猫和白猫作为该图像素材A的标签。
本发明实施例将分类概率大于预设阈值的章节关键词作为图像素材的标签,使得图像素材和章节关键词相关性强,后续根据章节关键词推荐图像素材更为准确。
S209、存储所述图像素材和所述图像素材的标签以生成用于制作所述教学文件对应的课件文件的图像素材库。
具体地,将所有章节的图像素材以及图像素材的标签存储在数据库中得到教学文件的图像素材库,该图像素材库的图像素材可以用于制作该教学文件的课件。
本发明实施例针对教学文件的每个章节,从章节的文本内容中确定出有形命名实体作为章节关键词,根据章节关键词获取章节的多张图像素材,并确定每张图像素材是否为违规图像素材,若是则丢弃,若否则确定图像素材属于各个章节关键词的分类概率,将分类概率大于预设阈值的章节关键词作为图像素材的标签来存储图像素材以生成用于制作教学文件的课件文件的图像素材库。能够在制作课件文件的过程中确定课件文件在教学文件中对应的目标章节后,根据目标章节的关键词在教学文件的图像素材库中确定出标签与目标章节的章节关键词匹配的图像素材作为目标图像素材推荐给用户,无需用户在互联网上搜索图像素材,能够根据当前制作课件文件所属目标章节的关键词在图像素材库查找图像素材推荐给用户,一方面节省了用户搜索图像素材的时间,另一方面,能够根据课件文件所属章节推荐图像素材,降低了用户筛选图像素材的工作量,极大地提高了用户制作课件的效率。
实施例三
图3为本发明实施例三提供的一种图像素材推荐方法的流程图,本发明实施例可适用于向制作课件的用户推荐图像素材的情况,该方法可以由图像素材推荐装置来执行,该装置可以通过软件和/或硬件的方式来实现,并集成在执行本方法的设备中,具体地,如图3所示,该方法可以包括如下步骤:
S301、在用户制作课件文件的过程中检测到图像素材推荐事件时,确定所述课件文件在教学文件中所对应的目标章节,所述目标章节预先设置有章节关键词。
在本发明实施例的一个场景中,当用户在课件制作应用程序上制作课件时,可以实时获取用户制作的课件文件并监测用户的操作,当监测到图像素材推荐事件时,可以确定课件文件所属的目标章节。其中,图像素材推荐事件可以是用户在交互界面中触发插入图像素材按钮操作,或者是检测到课件文件中包含“如图所示”、“如下图”等预设关键字等。
当检测到图像素材推荐事件时,可以基于课件文件的文本内容确定该课件文件在教学文件中所属的目标章节,例如,可以预先训练章节识别模型,将课件文件的一页或者多页的文本内容输入到章节识别模型得到该课件文件对应的目标章节,该目标章节预设有章节关键字,目标章节设置章节关键字的具体方式参考实施例一或者实施例二,在此不再详述。
S302、获取所述教学文件的图像素材库,所述图像素材库中的每张图像素材具有标签,所述标签章节关键词。
在本发明实施例中,可以为每个教学文件建立一个图像素材库,该图像素材库中的每张图像素材均设置有章节关键词作为标签,例如,教学文件为教科书,以小学二年级语文上册教科书为示例,可以建立图像素材库用于制作小学二年级语文上册的课件。教学文件的图像素材库的建立方式参考实施例一或者实施例二,在此不再详述。
S303、在所述图像素材库中确定出标签与所述目标章节的章节关键词匹配的图像素材作为目标图像素材。
本发明实施例中,教学文件的每个章节均设置有章节关键词,当确定课件文件对应的目标章节后,可以从图像素材库中确定出标签包含目标章节的章节关键词的图像素材作为目标图像素材。
S304、将所述目标图像素材推荐给所述用户。
具体地,可以对多张目标图像素材进行质量评估,将质量较好的N张目标图像素材推送给用户,以在交互界面显示目标图像素材供用户选择用户制作课件文件。
本发明实施例的图像素材推荐方法,在制作课件的过程中检测到图像素材推荐事件时,确定课件文件在教学文件中对应的目标章节,并获取教学文件的图像素材库,在图像素材库中确定出标签与目标章节的章节关键词匹配的图像素材作为目标图像素材推荐给用户,一方面,无需用户从互联网上搜索图像素材,节省了用户搜索图像素材的时间,提高用户制作课件的效率,另一方面,图像素材库中的图像素材的标签为章节的章节关键词,能够以目标章节的章节关键词从图像素材库中确定目标图像素材,实现了按章节向用户推荐图像素材,推荐的准确度高,提高了用户体验。
实施例四
图4为本发明实施例四提供的一种图像素材推荐方法的流程图,本发明实施例在实施例三的基础上进行优化,具体地,如图4所示,该方法可以包括如下步骤:
S401、将所述课件文件输入预先训练的章节识别模型中获得所述课件文件在教学文件中对应的目标章节。
具体地,可以对课件文件的至少一页课件内容进行元素解析,获得课件文件的课件元素;基于课件元素提取文本内容;对文本内容向量化获得文本向量;获取用户的历史章节数据;将文本向量和历史章节数据输入预先训练的章节识别模型中获得课件文件在教学文件中对应的目标章节。
在实际应用中,用户在课件制作应用程序制作课件,可以实时抽取用户制作的课件文件,课件文件可以是一系列的XML文件的压缩包,可以根据XML标签里的相应类型针对性的抽取出对应元素,如<Image>/<Text>/<Title>标签分别对应了图像、文本、文件标题等内容,则可以从文本、文件标题提取文字后,从BERT向量表中查出每个文字的向量,同时可以获取用户的历史章节数据,该历史章节数据可以为最近一段时间内用户浏览的章节或者用户制作课件的章节,把至少一页文字的向量和用户的历史章节数据输入到章节识别模型中,在该章节识别模型中,先通过BiLSTM+Attention抽取特征,最后特征经过softmax进行分类,得出该课件文件属于某个章节的概率。
如图4B所示为本发明实施例的章节识别模型的示意图,在图4B中,获取课件文件的前5页,提取文本内容、标题等元素后提取前5页所有文字的向量以及用户的历史章节数据后输入到BiLSTM+Attention后抽取特征,通过全连接层FC整合所有特征经过softmax进行分类,得到课件文件属于某个章节的概率,将概率最高的章节作为目标章节。
S402、获取所述教学文件的图像素材库,所述图像素材库中的每张图像素材具有标签,所述标签章节关键词。
在本发明实施例中,可以为每个教学文件建立一个图像素材库,该图像素材库中的每张图像素材均设置有章节关键词作为标签,图像素材库的建立方式参考实施例一或者实施例二,在此不再详述。
S403、在所述图像素材库中查找出标签包含所述目标章节的章节关键词的多张图像素材。
具体地,图像素材库中的每张图像设置有标签,该标签包含了至少一个章节关键词,在确定课件文件所属的目标章节后,可以获取该目标章节的章节关键词,如果图像素材库中的图像素材的标签包含了目标章节的章节关键词,则该图像素材为目标图像素材。
S404、对多张所述图像素材进行图像质量评估获得多张所述图像素材的质量参数。
具体地,可以获取图像素材的清晰度、分辨率、对比度等指标对图像素材进行图像质量评估得到图像素材的质量参数,根据质量参数对多张图像素材进行排序,排序在前的图像素材的图像质量高于排序在后的图像素材。
S405、基于所述质量参数确定图像质量在前的N张图像素材作为目标图像素材。
具体地,对多张图像素材进行排序后,可以将排序在前的N张图像素材作为目标图像,当然,还可以将质量参数大于预设值的图像素材作为目标图像素材。
S406、将所述目标图像素材推荐给所述用户。
具体地,可以对多张目标图像素材进行质量评估,将质量较好的N张目标图像素材推送给用户,以在交互界面显示目标图像素材供用户选择用户制作课件文件。
本发明实施例将课件文件输入预先训练的章节识别模型中获得课件文件在教学文件中对应的目标章节,在获取教学文件的图像素材库后,在图像素材库中查找出标签包含目标章节的章节关键词的多张图像素材,并对多张图像素材进行图像质量评估获得多张图像素材的质量参数,基于质量参数确定图像质量在前的N张图像素材作为目标图像素材推荐给用户,一方面,无需用户从互联网上搜索图像素材,节省了用户搜索图像素材的时间,提高用户制作课件的效率,另一方面,图像素材库中的图像素材的标签为章节的章节关键词,能够以目标章节的章节关键词从图像素材库中确定目标图像素材,实现了按章节向用户推荐图像素材,推荐的准确度高,提高了用户体验。
进一步地,对图像素材进行质量评估获得质量参数,基于质量参数确定最终推荐给用户的目标图像素材,提高了推荐给用户的图书素材的质量。
实施例五
图5是本发明实施例五提供的一种图像素材库生成装置的结构框图,如图5所示,本发明实施例的图像素材库生成装置具体可以包括如下模块:
教学文件获取模块501,用于获取教学文件,所述教学文件包括多个章节;
章节关键词确定模块502,用于针对每个章节,从所述章节的文本内容中确定出章节关键词;
图像素材获取模块503,用于根据所述章节关键词获取所述章节的多张图像素材;
图像素材库生成模块504,用于将所述章节关键词作为所述图像素材的标签来存储所述图像素材,以生成用于制作所述教学文件的课件文件的图像素材库。
可选地,所述章节关键词确定模块502包括:
命名实体识别子模块,用于针对每个章节的文本内容,从所述文本内容中识别出命名实体;
章节关键词确定子模块,用于从所述命名实体中确定出有形命名实体作为所述章节内容的章节关键词。
可选地,所述命名实体识别子模块包括:
文本内容获取单元,用于获取每个章节的文本内容;
命名实体识别模型输入单元,用于将所述文本内容输入预先训练的命名实体识别模型中得到多个命名实体。
可选地,所述章节关键词确定子模块包括:
关键词过滤单元,用于基于词典对多个命名实体进行过滤获得有形命名实体作为所述章节内容的章节关键词。
可选地,所述图像素材库生成模块504包括:
违规图像判断子模块,用于针对每张图像素材,确定所述图像素材是否为违规图像素材;
图像素材丢弃子模块,用于丢弃所述图像素材;
分类概率确定子模块,用于确定所述图像素材属于各个章节关键词的分类概率;
标签确定子模块,用于将所述分类概率大于预设阈值的章节关键词作为所述图像素材的标签;
存储子模块,用于存储所述图像素材和所述图像素材的标签以生成用于制作所述教学文件对应的课件文件的图像素材库。
可选地,所述违规图像判断子模块包括:
违规图像检测模型检测单元,用于将所述图像素材输入预先训练的违规图像检测模型中获得检测数据;
违规图像素材判断单元,用于基于所述检测数据确定所述图像是否为违规图像素材;
其中,所述违规图像检测模型为违规内容检测模型或者水印检测模型,相应地,所述检测数据为违规内容检测模型输出的所述图像素材包含违规内容的概率,或者所述检测数据为水印检测模型输出所述图像素材是否包含水印的检测结果。
可选地,所述分类概率确定子模块包括:
分类模型预测单元,用于将所述图像素材输入预先训练的分类模型中,获得所述图像素材属于各个章节关键词的分类概率。
本实施例提供的图像素材库生成装置可执行本发明任意实施例提供的图像素材库生成方法,具备相应的功能和有益效果。
实施例六
图6是本发明实施例六提供的一种图像素材推荐装置的结构框图,如图6所示,本发明实施例的图像素材推荐装置具体可以包括如下模块:
目标章节确定模块601,用于在用户制作课件文件的过程中检测到图像素材推荐事件时,确定所述课件文件在教学文件中所对应的目标章节,所述目标章节预先设置有章节关键词;
图像素材库获取模块602,用于获取所述教学文件的图像素材库,所述图像素材库中的每张图像素材具有标签,所述标签章节关键词;
目标图像素材确定模块603,用于在所述图像素材库中确定出标签与所述目标章节的章节关键词匹配的图像素材作为目标图像素材;
目标图像素材推荐模块604,用于将所述目标图像素材推荐给所述用户;
其中,所述图像素材库通过本发明实施例一或者实施例二所述的图像素材库生成方法所生成。
可选地,所述目标图像素材确定模块603包括:
章节识别模型预测子模块,用于将所述课件文件输入预先训练的章节识别模型中获得所述课件文件在教学文件中对应的目标章节。
可选地,所述章节识别模型预测子模块包括:
元素解析单元,用于对所述课件文件的至少一页课件内容进行元素解析,获得所述课件文件的课件元素;
文本内容提取单元,用于基于所述课件元素提取文本内容;
文本向量获取单元,用于对所述文本内容向量化获得文本向量;
历史章节数据获取单元,用于获取所述用户的历史章节数据;
章节识别模型预测单元,用于将所述文本向量和所述历史章节数据输入预先训练的章节识别模型中获得所述课件文件在教学文件中对应的目标章节。
可选地,所述目标图像素材确定模块603包括:
图像素材查找子模块,用于在所述图像素材库中查找出标签包含所述目标章节的章节关键词的多张图像素材;
质量评估子模块,用于对多张所述图像素材进行图像质量评估获得多张所述图像素材的质量参数;
目标图像素材确定子模块,用于基于所述质量参数确定图像质量在前的N张图像素材作为目标图像素材。
本实施例提供的图像素材推荐装置可执行本发明任意实施例提供的图像素材推荐方法,具备相应的功能和有益效果。
实施例七
参照图7,示出了本发明一个示例中的一种设备的结构示意图。如图7所示,该设备具体可以包括:处理器70、存储器71、具有触摸功能的显示屏72、输入装置73、输出装置74以及通信装置75。该设备中处理器70的数量可以是一个或者多个,图7中以一个处理器70为例。该设备中存储器71的数量可以是一个或者多个,图7中以一个存储器71为例。该设备的处理器70、存储器71、显示屏72、输入装置73、输出装置74以及通信装置75可以通过总线或者其他方式连接,图7中以通过总线连接为例。
存储器71作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明任意实施例所述的图像素材库生成装置对应的程序指令/模块(例如,上述图像素材库生成装置中的教学文件获取模块501、章节关键词确定模块502、图像素材获取模块503和图像素材库生成模块504),和/或如本发明任意实施例所述的图像素材推荐装置对应的程序指令/模块(例如,上述图像素材推荐装置中的目标章节确定模块601、图像素材库获取模块602、目标图像素材确定模块603和目标图像素材推荐模块604)。存储器71可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作装置、至少一个功能所需的应用程序;存储数据区可存储根据设备的使用所创建的数据等。此外,存储器71可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器71可进一步包括相对于处理器70远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
显示屏72为具有触摸功能的显示屏72,其可以是电容屏、电磁屏或者红外屏。一般而言,显示屏72用于根据处理器70的指示显示数据,还用于接收作用于显示屏72的触摸操作,并将相应的信号发送至处理器70或其他装置。可选的,当显示屏72为红外屏时,其还包括红外触摸框,该红外触摸框设置在显示屏72的四周,其还可以用于接收红外信号,并将该红外信号发送至处理器70或者其他设备。
通信装置75,用于与其他设备建立通信连接,其可以是有线通信装置和/或无线通信装置。
输入装置73可用于接收输入的数字或者字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入,还可以是用于获取图像的摄像头以及获取音频数据的拾音设备。输出装置74可以包括扬声器等音频设备。需要说明的是,输入装置73和输出装置74的具体组成可以根据实际情况设定。
处理器70通过运行存储在存储器71中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述图像素材库生成方法和/或图像素材推荐方法。
具体地,实施例中,处理器70执行存储器71中存储的一个或多个程序时,具体实现本发明实施例提供的图像素材库生成方法和/或图像素材推荐方法的步骤。
本发明实施例还提供一种计算机可读存储介质,所述存储介质中的指令由设备的处理器执行时,使得设备能够执行如上述方法实施例所述的图像素材库生成方法和/或图像素材推荐方法。
需要说明的是,对于装置、设备、存储介质实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是机器人,个人计算机,服务器,或者网络设备等)执行本发明任意实施例所述的图像素材库生成方法和/或图像素材推荐方法。
值得注意的是,上述图像素材库生成装置和图像素材推荐装置中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行装置执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (15)
1.一种图像素材库生成方法,其特征在于,包括:
获取教学文件,所述教学文件包括多个章节;
针对每个章节,从所述章节的文本内容中确定出章节关键词;
根据所述章节关键词获取所述章节的多张图像素材;
将所述章节关键词作为所述图像素材的标签来存储所述图像素材,以生成用于制作所述教学文件的课件文件的图像素材库。
2.根据权利要求1所述的方法,其特征在于,所述针对每个章节内容,从所述章节的文本内容中确定出章节关键词,包括:
针对每个章节的文本内容,从所述文本内容中识别出命名实体;
从所述命名实体中确定出有形命名实体作为所述章节内容的章节关键词。
3.根据权利要求2所述的方法,其特征在于,所述针对每个章节的文本内容,从所述文本内容中识别出命名实体,包括:
获取每个章节的文本内容;
将所述文本内容输入预先训练的命名实体识别模型中得到多个命名实体。
4.根据权利要求2或3所述的方法,其特征在于,所述从所述命名实体中确定出有形命名实体作为所述章节内容的章节关键词,包括:
基于词典对多个命名实体进行过滤获得有形命名实体作为所述章节内容的章节关键词。
5.根据权利要求1所的方法,其特征在于,所述将所述章节关键词作为所述图像素材的标签来存储所述图像素材,以生成用于制作所述教学文件对应的课件文件的图像素材库,包括:
针对每张图像素材,确定所述图像素材是否为违规图像素材;
若是,则丢弃所述图像素材;
若否,则确定所述图像素材属于各个章节关键词的分类概率;
将所述分类概率大于预设阈值的章节关键词作为所述图像素材的标签;
存储所述图像素材和所述图像素材的标签以生成用于制作所述教学文件对应的课件文件的图像素材库。
6.根据权利要求5所述的方法,其特征在于,所述针对每张图像素材,确定所述图像素材是否为违规图像素材,包括:
将所述图像素材输入预先训练的违规图像检测模型中获得检测数据;
基于所述检测数据确定所述图像是否为违规图像素材;
其中,所述违规图像检测模型为违规内容检测模型或者水印检测模型,相应地,所述检测数据为违规内容检测模型输出的所述图像素材包含违规内容的概率,或者所述检测数据为水印检测模型输出所述图像素材是否包含水印的检测结果。
7.根据权利要求5所述的方法,其特征在于,所述确定所述图像素材属于各个章节关键词的分类概率,包括:
将所述图像素材输入预先训练的分类模型中,获得所述图像素材属于各个章节关键词的分类概率。
8.一种图像素材推荐方法,其特征在于,包括:
在用户制作课件文件的过程中检测到图像素材推荐事件时,确定所述课件文件在教学文件中所对应的目标章节,所述目标章节预先设置有章节关键词;
获取所述教学文件的图像素材库,所述图像素材库中的每张图像素材具有标签,所述标签章节关键词;
在所述图像素材库中确定出标签与所述目标章节的章节关键词匹配的图像素材作为目标图像素材;
将所述目标图像素材推荐给所述用户;
其中,所述图像素材库通过权利要求1-7任一项所述的图像素材库生成方法所生成。
9.根据权利要求8所述的方法,其特征在于,所述在用户制作课件文件的过程中,确定所述课件文件在教学文件中所对应的目标章节,包括:
将所述课件文件输入预先训练的章节识别模型中获得所述课件文件在教学文件中对应的目标章节。
10.根据权利要求9所述的方法,其特征在于,将所述课件文件输入预先训练的章节识别模型中获得所述课件文件在教学文件中对应的目标章节,包括:
对所述课件文件的至少一页课件内容进行元素解析,获得所述课件文件的课件元素;
基于所述课件元素提取文本内容;
对所述文本内容向量化获得文本向量;
获取所述用户的历史章节数据;
将所述文本向量和所述历史章节数据输入预先训练的章节识别模型中获得所述课件文件在教学文件中对应的目标章节。
11.根据权利要求8所述的方法,其特征在于,所述在所述图像素材库中确定出标签与所述目标章节的章节关键词匹配的图像素材作为目标图像素材,包括:
在所述图像素材库中查找出标签包含所述目标章节的章节关键词的多张图像素材;
对多张所述图像素材进行图像质量评估获得多张所述图像素材的质量参数;
基于所述质量参数确定图像质量在前的N张图像素材作为目标图像素材。
12.一种图像素材库生成装置,其特征在于,包括:
教学文件获取模块,用于获取教学文件,所述教学文件包括多个章节;
章节关键词确定模块,用于针对每个章节,从所述章节的文本内容中确定出章节关键词;
图像素材获取模块,用于根据所述章节关键词获取所述章节的多张图像素材;
图像素材库生成模块,用于将所述章节关键词作为所述图像素材的标签来存储所述图像素材,以生成用于制作所述教学文件的课件文件的图像素材库。
13.一种图像素材推荐装置,其特征在于,包括:
目标章节确定模块,用于在用户制作课件文件的过程中检测到图像素材推荐事件时,确定所述课件文件在教学文件中所对应的目标章节,所述目标章节预先设置有章节关键词;
图像素材库获取模块,用于获取所述教学文件的图像素材库,所述图像素材库中的每张图像素材具有标签,所述标签章节关键词;
目标图像素材确定模块,用于在所述图像素材库中确定出标签与所述目标章节的章节关键词匹配的图像素材作为目标图像素材;
目标图像素材推荐模块,用于将所述目标图像素材推荐给所述用户;
其中,所述图像素材库通过权利要求1-7任一项所述的图像素材库生成方法所生成。
14.一种设备,其特征在于,所述设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的图像素材库生成方法和/或如权利要求8-11任一项所述的图像素材推荐方法。
15.一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如权利要求1-7中任一所述的图像素材库生成方法和/或如权利要求8-11任一项所述的图像素材推荐方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010037371.2A CN111291210B (zh) | 2020-01-14 | 2020-01-14 | 图像素材库生成方法、图像素材推荐方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010037371.2A CN111291210B (zh) | 2020-01-14 | 2020-01-14 | 图像素材库生成方法、图像素材推荐方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111291210A true CN111291210A (zh) | 2020-06-16 |
CN111291210B CN111291210B (zh) | 2024-04-12 |
Family
ID=71029105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010037371.2A Active CN111291210B (zh) | 2020-01-14 | 2020-01-14 | 图像素材库生成方法、图像素材推荐方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111291210B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111858978A (zh) * | 2020-07-21 | 2020-10-30 | 国家电网有限公司技术学院分公司 | 一种自动制作网络课件图标的方法及系统 |
CN111881307A (zh) * | 2020-07-28 | 2020-11-03 | 平安科技(深圳)有限公司 | 一种演示文稿生成方法、装置、计算机设备及存储介质 |
CN111930976A (zh) * | 2020-07-16 | 2020-11-13 | 平安科技(深圳)有限公司 | 演示文稿生成方法、装置、设备及存储介质 |
CN112417287A (zh) * | 2020-11-24 | 2021-02-26 | 乐聚(深圳)机器人技术有限公司 | 积木块搜索方法、模型训练方法、装置、设备及存储介质 |
CN112632386A (zh) * | 2020-12-29 | 2021-04-09 | 广州视源电子科技股份有限公司 | 诗词推荐方法、装置、设备及存储介质 |
CN112732968A (zh) * | 2021-01-12 | 2021-04-30 | 特赞(上海)信息科技有限公司 | 案例素材图像检索方法、装置、设备和存储介质 |
CN112949308A (zh) * | 2021-02-25 | 2021-06-11 | 武汉大学 | 基于功能结构的中文电子病历命名实体识别方法及系统 |
CN113760828A (zh) * | 2021-08-04 | 2021-12-07 | 广东能龙教育股份有限公司 | 一种课件开发处理方法及操控平台、控制装置、存储介质 |
CN114565800A (zh) * | 2022-04-24 | 2022-05-31 | 深圳尚米网络技术有限公司 | 一种用于违规图片检测的方法及图片检测引擎 |
CN116010636A (zh) * | 2022-12-01 | 2023-04-25 | 广东工业大学 | 一种基于美术图像标签的检索推送方法及其用途 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108319718A (zh) * | 2018-02-11 | 2018-07-24 | 珠海未云信息技术有限公司 | 教学素材库的建立方法、装置和教学素材库 |
CN108563753A (zh) * | 2018-04-16 | 2018-09-21 | 深圳壹账通智能科技有限公司 | 消息推送文案的生成方法、装置及计算机可读存储介质 |
US20180293507A1 (en) * | 2017-04-06 | 2018-10-11 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for extracting keywords based on artificial intelligence, device and readable medium |
CN109284401A (zh) * | 2018-08-31 | 2019-01-29 | 广州视源电子科技股份有限公司 | 课件标签添加、课件推荐方法、装置和存储介质 |
CN109284473A (zh) * | 2018-11-20 | 2019-01-29 | 育宁教育科技(上海)有限公司 | 在线教学课件的编辑和生成方法以及系统 |
CN109446505A (zh) * | 2018-10-31 | 2019-03-08 | 广东小天才科技有限公司 | 一种范文生成方法及系统 |
-
2020
- 2020-01-14 CN CN202010037371.2A patent/CN111291210B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180293507A1 (en) * | 2017-04-06 | 2018-10-11 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for extracting keywords based on artificial intelligence, device and readable medium |
CN108319718A (zh) * | 2018-02-11 | 2018-07-24 | 珠海未云信息技术有限公司 | 教学素材库的建立方法、装置和教学素材库 |
CN108563753A (zh) * | 2018-04-16 | 2018-09-21 | 深圳壹账通智能科技有限公司 | 消息推送文案的生成方法、装置及计算机可读存储介质 |
CN109284401A (zh) * | 2018-08-31 | 2019-01-29 | 广州视源电子科技股份有限公司 | 课件标签添加、课件推荐方法、装置和存储介质 |
CN109446505A (zh) * | 2018-10-31 | 2019-03-08 | 广东小天才科技有限公司 | 一种范文生成方法及系统 |
CN109284473A (zh) * | 2018-11-20 | 2019-01-29 | 育宁教育科技(上海)有限公司 | 在线教学课件的编辑和生成方法以及系统 |
Non-Patent Citations (3)
Title |
---|
李枢;申永胜;: "一种基于机械原理的教学资源库及管理系统" * |
李枢;申永胜;: "一种基于机械原理的教学资源库及管理系统", 太原理工大学学报(社会科学版), no. 1 * |
李枢;申永胜;: "一种基于机械原理的教学资源库及管理系统", 太原理工大学学报(社会科学版), no. 1, 18 June 2008 (2008-06-18) * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111930976A (zh) * | 2020-07-16 | 2020-11-13 | 平安科技(深圳)有限公司 | 演示文稿生成方法、装置、设备及存储介质 |
CN111930976B (zh) * | 2020-07-16 | 2024-05-28 | 平安科技(深圳)有限公司 | 演示文稿生成方法、装置、设备及存储介质 |
CN111858978B (zh) * | 2020-07-21 | 2023-09-26 | 国家电网有限公司技术学院分公司 | 一种自动制作网络课件图标的方法及系统 |
CN111858978A (zh) * | 2020-07-21 | 2020-10-30 | 国家电网有限公司技术学院分公司 | 一种自动制作网络课件图标的方法及系统 |
CN111881307A (zh) * | 2020-07-28 | 2020-11-03 | 平安科技(深圳)有限公司 | 一种演示文稿生成方法、装置、计算机设备及存储介质 |
WO2021164255A1 (zh) * | 2020-07-28 | 2021-08-26 | 平安科技(深圳)有限公司 | 一种演示文稿生成方法、装置、计算机设备及存储介质 |
CN111881307B (zh) * | 2020-07-28 | 2024-04-05 | 平安科技(深圳)有限公司 | 一种演示文稿生成方法、装置、计算机设备及存储介质 |
CN112417287A (zh) * | 2020-11-24 | 2021-02-26 | 乐聚(深圳)机器人技术有限公司 | 积木块搜索方法、模型训练方法、装置、设备及存储介质 |
CN112632386A (zh) * | 2020-12-29 | 2021-04-09 | 广州视源电子科技股份有限公司 | 诗词推荐方法、装置、设备及存储介质 |
CN112732968A (zh) * | 2021-01-12 | 2021-04-30 | 特赞(上海)信息科技有限公司 | 案例素材图像检索方法、装置、设备和存储介质 |
CN112949308A (zh) * | 2021-02-25 | 2021-06-11 | 武汉大学 | 基于功能结构的中文电子病历命名实体识别方法及系统 |
CN113760828A (zh) * | 2021-08-04 | 2021-12-07 | 广东能龙教育股份有限公司 | 一种课件开发处理方法及操控平台、控制装置、存储介质 |
CN114565800A (zh) * | 2022-04-24 | 2022-05-31 | 深圳尚米网络技术有限公司 | 一种用于违规图片检测的方法及图片检测引擎 |
CN116010636B (zh) * | 2022-12-01 | 2023-08-11 | 广东工业大学 | 一种基于美术图像标签的检索推送方法及其用途 |
CN116010636A (zh) * | 2022-12-01 | 2023-04-25 | 广东工业大学 | 一种基于美术图像标签的检索推送方法及其用途 |
Also Published As
Publication number | Publication date |
---|---|
CN111291210B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111291210B (zh) | 图像素材库生成方法、图像素材推荐方法及相关装置 | |
CN112632385B (zh) | 课程推荐方法、装置、计算机设备及介质 | |
CN106649818B (zh) | 应用搜索意图的识别方法、装置、应用搜索方法和服务器 | |
CN105824959B (zh) | 舆情监控方法及系统 | |
CN108829893B (zh) | 确定视频标签的方法、装置、存储介质和终端设备 | |
CN109726274B (zh) | 问题生成方法、装置及存储介质 | |
CN111475623A (zh) | 基于知识图谱的案件信息语义检索方法及装置 | |
CN112395506A (zh) | 一种资讯推荐方法、装置、电子设备和存储介质 | |
CN109947952B (zh) | 基于英语知识图谱的检索方法、装置、设备及存储介质 | |
CN110929038A (zh) | 基于知识图谱的实体链接方法、装置、设备和存储介质 | |
CN109492081B (zh) | 文本信息搜索和信息交互方法、装置、设备及存储介质 | |
US10621252B2 (en) | Method for searching in a database | |
CN104881428B (zh) | 一种信息图网页的信息图提取、检索方法和装置 | |
CN111522901A (zh) | 文本中地址信息的处理方法及装置 | |
CN114332679A (zh) | 视频处理方法、装置、设备、存储介质和计算机程序产品 | |
CN112749328B (zh) | 搜索方法、装置和计算机设备 | |
CN113282754A (zh) | 针对新闻事件的舆情检测方法、装置、设备和存储介质 | |
CN112818200A (zh) | 基于静态网站的数据爬取及事件分析方法及系统 | |
JP6868576B2 (ja) | 事象提示システムおよび事象提示装置 | |
CN115186240A (zh) | 基于关联性信息的社交网络用户对齐方法、装置、介质 | |
CN115269961A (zh) | 内容搜索方法以及相关设备 | |
CN114842982A (zh) | 一种面向医疗信息系统的知识表达方法、装置及系统 | |
CN113869043A (zh) | 内容标注方法、装置、设备及存储介质 | |
CN114780700A (zh) | 基于机器阅读理解的智能问答方法、装置、设备及介质 | |
CN114706948A (zh) | 新闻处理方法、装置、存储介质以及电子设备 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |