CN111783697A - 一种基于卷积神经网络的错题检测及靶向推荐系统和方法 - Google Patents
一种基于卷积神经网络的错题检测及靶向推荐系统和方法 Download PDFInfo
- Publication number
- CN111783697A CN111783697A CN202010641500.9A CN202010641500A CN111783697A CN 111783697 A CN111783697 A CN 111783697A CN 202010641500 A CN202010641500 A CN 202010641500A CN 111783697 A CN111783697 A CN 111783697A
- Authority
- CN
- China
- Prior art keywords
- wrong question
- neural network
- data
- detection
- students
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000012937 correction Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 17
- 238000013473 artificial intelligence Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 4
- 238000012552 review Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 238000011423 initialization method Methods 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 abstract description 4
- 230000010365 information processing Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000004379 myopia Effects 0.000 description 3
- 208000001491 myopia Diseases 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004438 eyesight Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
Abstract
本发明提供一种能够实现错题自动检测统计并且“靶向推荐”的错题集生成系统，它包含：1、带学生个人信息二维码的习题册；2、批阅过程中画红色圈的错题号；3、可以实时拍照扫描的高拍仪；4拥有GPU的作业信息处理服务器；5、基于卷积神经网络YOLO V4检测模型的深度学习算法；6、面向教师的班级错题统计信息文档；7、面向学生的个人错题集文档，解决在不改变传统试卷纸质书写的使用模式下，帮助学生在学习过程中产生的数据进行有效统计存储、反馈，实现真正的“靶向教育”。
Description
技术领域
教育电子化的实施主要通过智能终端的使用，不仅成本高难以管理，而且会损害学生视力。因此，暂时未出现可以在不增加教师以及学生负担的前提下，实现教育信息化，推送靶向化的错题检测统计系统。对于教师而言，传统纸质的试卷需要教师人工批改试卷、人工计分、人工统计、记载，这都需要耗费阅卷教师大量的时间，也会对导致教师阅卷效率下降；并且当教师忙于批改作业后，教改的时间和精力也受到限制，对之后的教学也会产生消极的影响。而对于学生而言，其学习资料多而杂，难分类，同时对错题的分析与统计需要耗费大量时间，因此，传统的学生自己抄写错题集的方式亟待改进。基于此现状，本发明提供一种智能纸笔书写试卷的自动批改系统，解决在不改变传统试卷纸质书写的使用模式下，实现教育信息化，为教师减轻批阅负担、统计负担以及存档负担；并且帮助学生在学习过程中产生的数据进行有效统计存储、反馈，实现真正的“靶向教育”。
背景技术
随着互联网技术的不断发展，利用教育信息化手段提高试卷批改效率成为技术趋势。目前实施教育电子化的主要手段是让学生采用智能终端，如pad和电脑等，然后由系统进行自动批改。但是让学生教师都用智能终端的成本太高且难以管理，最重要的是由于长时间使用平板电脑会对学生视力造成严重损害；在此情况下，教育部联合国家卫生健康委等有关部门研究制定了《综合防控儿童青少年近视实施方案》,并向相关部门和社会广泛征求意见。方案提出了防控儿童青少年近视的阶段性目标,明确了家庭、学校、医疗卫生机构等各方面责任,并决定建立全国儿童青少年近视防控工作评议考核制度。教育部发文限制控制一种产品使用时长，原则上采用纸质书写。
而传统纸质书写方式难以实现教育信息化问题。对于教师而言，传统纸质的试卷需要教师人工批改试卷、人工计分、人工统计、记载，这都需要耗费阅卷教师大量的时间，也会对导致教师阅卷效率下降；并且当教师忙于批改作业后，教改的时间和精力也受到限制，对之后的教学也会产生消极的影响。而对于学生而言，其学习资料多而杂，难分类，同时对错题的分析与统计需要耗费大量时间，因此，传统的学生自己抄写错题集的方式亟待改进。
随着目标检测技术的发展，特别是近几年，基于深度学习的目标检测算法的提出，例如Faster-RCNN、 SSD系列，这些算法与传统目标检测算法相比，基于深度学习的目标检测算法在准确率以及效率上都大大超过了传统检测算法。但是目前的算法都是基于现有的数据集进行优化，如ImageNet、COCO等，处理小尺寸或不同尺寸的灵活度较低，YOLOv4更是改进了大尺寸输入图像目标检测造成计算量的加大以及目标检测的速度降低的问题。本发明将使用YOLOv4检测模型来完成对教师所画圈的错题的精准识别。
发明内容：
鉴于以上所述现有技术的缺点，本发明的目的在于针对传统纸质试卷的缺陷和不足，提供一种智能纸笔书写试卷的自动批改系统，解决在不改变传统试卷纸质书写的使用模式下，实现教育信息化，为教师减轻批阅负担、统计负担以及存档负担；并且帮助学生在学习过程中产生的数据进行有效统计存储、反馈，实现真正的“靶向教育”。
为实现上述目的，本发明提供一种能够实现错题自动检测统计并且“靶向推荐”的错题集生成系统，它包含：1、带学生个人信息二维码的习题册；2、批阅过程中画红色圈的错题号；3、可以实时拍照扫描的高拍仪；4拥有GPU的作业信息处理服务器；5、基于卷积神经网络YOLO V4检测模型的深度学习算法； 6、面向教师的班级错题统计信息文档；7、面向学生的个人错题集文档。
一种基于卷积神经网络的错题检测及靶向推荐系统，包括：高拍仪或高清摄像头，用于拍摄贴有二维码的作业本，实时录像与抓拍批改的过程；错题检测统计系统，自动检测教师批改中的错题号，然后精准匹配底层数据库，查找数据库中题目，根据人工智能算法，匹配生成对应学生的个人错题集。
优选的，系统在使用YOLO V4神经网络检测模型的基础上，保持高精度的同时，最大程度缩小模型体积，提高检测速度。
优选的，算法通过错题所在页码，题目类型，以及题号等精准数据查找数据库中题目。
优选的，人工智能算法通过所错题目类型寻找类似题目，匹配之后生成对应学生的个人错题集，实现习题的“靶向推荐”。
优选的，通过统计学生的错题信息，以班级为单位，将各类型学生错题比例予以统计，以图表等方式反馈给对应教师，以便教师宏观把握班级学生状况，并以此为基础，对之后的知识点复习有更精准的把握。
一种基于卷积神经网络的错题检测及靶向推荐方法，首先会通过高拍仪或高清摄像头，拍摄贴有二维码的作业本封面；拍摄之后，程序会自动检测教师批改中的错题号，然后精准匹配底层数据库，查找数据库中题目，根据人工智能算法，自动生成与学生信息相关联的文档，以便之后生成学生错题的记录。
优选的，程序中使用YOLO V4神经网络检测模型，识别教师标记。
优选的，使用高拍仪采集的图像数据形成数据集,并对数据集中的标记部分进行标注，得到正确的标签数据，将数据集和标签数据以8:2的比例划分为训练集和测试集。
优选的，对于每一个标记图像数据，根据图像大小和标注信息，生成相应图像的目标Mask数据。
附图说明
为了进一步阐述本发明所描述的内容，下面结合附图对本发明的具体实施方式作进一步详细的说明。应当理解，这些附图仅作为典型示例，而不应看作是对本发明的范围的限定。
图1是本发明的系统框架图；
图2是本发明中采取的基于卷积神经网络的YOLO V4检测模型性能图；
图3是本发明中包含学生二维码的作业集封面图；
图4是本发明中教师的手写红圈识别结果图；
图5是本发明中建立的X学生文件夹；
图6是本发明中X学生抓拍的具体错题信息图；
图7是本发明中生成的X学生错题集部分图；
图8是本发明中采取的基于卷积神经网络的YOLO V4检测模型图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
如图6所示，一种基于卷积神经网络的错题检测及靶向推荐系统，包括：
1，首先会通过高拍仪或高清摄像头，拍摄贴有学生学号和姓名信息的二维码的作业本封面。拍摄之后，程序会自动生成与学生信息相关联的文档，以便之后学生错题的记录。
2，扫描二维码后，教师开始批改作业，教师会在每个错题的题号上，用红笔画上圆圈。批改的过程中，教师不需要做除批阅外其他工作，所有的实时录像与抓拍都通过高清摄像头或高拍仪完成，其中，抓拍的批阅后效果如图4所示。
3，针对抓拍的作业本信息，采用自主研发的错题检测统计系统，系统在使用YOLOV4神经网络检测模型的基础上，保持高精度的同时，最大程度缩小模型体积，提高检测速度。算法自动检测教师批改中画圈的错题号，然后精准匹配底层数据库，通过错题所在页码，题目类型，以及题号等精准数据查找数据库中题目。根据人工智能算法，通过所错题目类型寻找类似题目，匹配之后生成对应学生的个人错题集，实现习题的“靶向推荐”。
4，通过统计学生的错题信息，以班级为单位，将各类型学生错题比例予以统计，以图表等方式反馈给对应教师，以便教师宏观把握班级学生状况，并以此为基础，对之后的知识点复习有更精准的把握。
其中，YOLO V4神经网络检测模型识别教师所画圈的具体步骤为
(3a)使用高拍仪在步骤1所采集的图像数据形成数据集,并对数据集中的画圈部分进行标注，得到正确的标签数据，将数据集和标签数据以8:2的比例划分为训练集和测试集；
(3b)将标注好的训练集进行数据扩充；
(3c)对于每一个高清圆圈图像数据，根据图像大小和标注信息，生成相应图像的目标Mask数据；
(3d)将高清图像训练集数据送入全卷积自编码器模型中进行训练，得到训练好的全卷积自编码器模型 (3d1)将网络的偏移量初始化为0，并采用kaiming高斯初始化方法对网络的权重参数进行初始化，根据高清图像训练集大小设置自编码器的迭代次数T1；
(3d2)定义基于分区域的均方误差损失函数如下：
(3d3)其中Mask-MSE-Loss(y,y_)为所要计算的损失函数；y为解码器输出图像；y_为输入原始高清图像；α为目标区域的损失惩罚权重，设置为0.9；β为背景区域惩罚权重，设置为0.1；W为自编码器的输入图像尺寸宽度；H为自编码器的输入图像尺寸宽度；Mask(i,j)为(3)中Mask数据第(i,j)位置的值；
(3d4)将高清图像训练集数据输入到全卷积自编码网络中，进行前向传播，得到编码后的特征图，再通过解码器对特征图进行恢复.
(3d5)使用(3d2)定义的基于分区域的均方误差损失函数，计算输入图像与输出图像的损失值.
(3d6)使用反向传播算法进行全卷积自编码器的权值和偏移量更新，完成对全卷积自编码器训练的一次迭代；
(3d7)重复(3d3)～(3d5)，直到完成所有自编码器的迭代次数T1，得到训练好的全卷积自编码器；
(3e)将训练好的全卷积自编码器的编码网络与YOLO-V4检测网络进行拼接，并对拼接后的网络进行训练.
(3e1)从YOLO官网上下载ImageNet数据集上预训练的参数，用该参数对YOLO-43网络的参数进行初始化，并根据采集的数据集大小设置YOLO-V4网络的迭代次数T2；
(3e2)将高清图像训练集数据送入到FPN+PAN结构融合后的混合网络中进行正向传播，得到输出检测结果；
(3e3)使用YOLO-V4算法中的损失函数，计算输出检测结果与(1)中标注的正确标签数据之间的损失值；
Yolov4中采用了CIOU_Loss的回归方式，使得预测框回归的速度和精度更高一些。
(3e4)根据损失值大小，使用反向传播算法进行混合网络的权值和偏移量更新，完成对混合网络训练的一次迭代；
(3e5)重复3e2到3e4，直到完成所有YOLO-V4的迭代次数T2，得到训练好的混合网络；
(3f)将(3a)中的测试集数据输入到训练好的混合模型中，得到最终的检测结果。
此系统目前已经完成的效果示例：
1、如图3-5所示，每个学生有一个唯一的二维码贴在作业封面，通过二维码检测和识别算法，得到学生的学号和姓名，并生成其专属文件夹，默认学生为X同学。
2、如图4所示，X同学在该次作业中教师的批阅情况，以及根据教师所画圆圈，算法对题号的识别情况。
3、如图6所示，在X同学文件夹在会生成其关联的错题信息文件，0-4-5-2-2-不等式组应用题-0文件命名说明(第一字段0：代表目前练习册ID,第二三字段4-5代表当前所属页面的页码，第四五字段2-2 代表两个页面都属与第二专题的内容，第六字段代表题目所属类别为不等式组应用题，第七字段代表该错题的题号)。
4、最后，每一个文档都是根据X同学的错题，生成的对应的错题集。如图所示，为X同学错题集中的部分错题。
本发明虽然已以较佳实施例公开如上，但其并不是用来限定本发明，任何本领域技术人员在不脱离本发明的精神和范围内，都可以利用上述揭示的方法和技术内容对本发明技术方案做出可能的变动和修改，因此，凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化及修饰，均属于本发明技术方案的保护范围。
Claims (10)
1.一种基于卷积神经网络的错题检测及靶向推荐系统，其特征在于：包括：高拍仪或高清摄像头，用于拍摄贴有二维码的作业本，实时录像与抓拍批改的过程；错题检测统计系统，自动检测教师批改中的错题号，然后精准匹配底层数据库，查找数据库中题目，根据人工智能算法，匹配生成对应学生的个人错题集。
2.根据权利要求1所述的一种基于卷积神经网络的错题检测及靶向推荐系统，其特征在于：系统在使用YOLO V4神经网络检测模型的基础上，保持高精度的同时，最大程度缩小模型体积，提高检测速度。
3.根据上述任一项权利要求所述的一种基于卷积神经网络的错题检测及靶向推荐系统，其特征在于：算法通过错题所在页码，题目类型，以及题号等精准数据查找数据库中题目。
4.根据上述任一项权利要求所述的一种基于卷积神经网络的错题检测及靶向推荐系统，其特征在于：人工智能算法通过所错题目类型寻找类似题目，匹配之后生成对应学生的个人错题集，实现习题的“靶向推荐”。
5.根据上述任一项权利要求所述的一种基于卷积神经网络的错题检测及靶向推荐系统，其特征在于：通过统计学生的错题信息，以班级为单位，将各类型学生错题比例予以统计，以图表等方式反馈给对应教师，以便教师宏观把握班级学生状况，并以此为基础，对之后的知识点复习有更精准的把握。
6.一种基于卷积神经网络的错题检测及靶向推荐方法，其特征在于：首先会通过高拍仪或高清摄像头，拍摄贴有二维码的作业本封面；拍摄之后，程序会自动检测教师批改中的错题号，然后精准匹配底层数据库，查找数据库中题目，根据人工智能算法，自动生成与学生信息相关联的文档，以便之后生成学生错题的记录。
7.根据权利要求6所述的一种基于卷积神经网络的错题检测及靶向推荐方法，其特征在于：程序中使用YOLO V4神经网络检测模型，识别教师标记。
8.根据权利要求7所述的一种基于卷积神经网络的错题检测及靶向推荐方法，其特征在于：使用高拍仪采集的图像数据形成数据集,并对数据集中的标记部分进行标注，得到正确的标签数据，将数据集和标签数据以8:2的比例划分为训练集和测试集。
9.根据权利要求8所述的一种基于卷积神经网络的错题检测及靶向推荐方法，其特征在于：对于每一个标记图像数据，根据图像大小和标注信息，生成相应图像的目标Mask数据。
10.根据权利要求9所述的一种基于卷积神经网络的错题检测及靶向推荐方法，其特征在于：(3d)将高清图像训练集数据送入全卷积自编码器模型中进行训练，得到训练好的全卷积自编码器模型；(3d1)将网络的偏移量初始化为0，并采用kaiming高斯初始化方法对网络的权重参数进行初始化，根据高清图像训练集大小设置自编码器的迭代次
数T1；(3d2)定义基于分区域的均方误差损失函数如下：
(3d3)其中Mask-MSE-Loss(y,y_)为所要计算的损失函数；y为解码器输出图像；y_为输入原始高清图像；α为目标区域的损失惩罚权重，设置为0.9；β为背景区域惩罚权重，设置为0.1；W为自编码器的输入图像尺寸宽度；H为自编码器的输入图像尺寸宽度；Mask(i,j)为(3)中Mask数据第(i,j)位置的值；(3d4)将高清图像训练集数据输入到全卷积自编码网络中，进行前向传播，得到编码后的特征图，再通过解码器对特征图进行恢复；(3d5)使用(3d2)定义的基于分区域的均方误差损失函数，计算输入图像与输出图像的损失值；(3d6)使用反向传播算法进行全卷积自编码器的权值和偏移量更新，完成对全卷积自编码器训练的一次迭代；(3d7)重复(3d3)～(3d5)，直到完成所有自编码器的迭代次数T1，得到训练好的全卷积自编码器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010641500.9A CN111783697A (zh) | 2020-07-06 | 2020-07-06 | 一种基于卷积神经网络的错题检测及靶向推荐系统和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010641500.9A CN111783697A (zh) | 2020-07-06 | 2020-07-06 | 一种基于卷积神经网络的错题检测及靶向推荐系统和方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111783697A true CN111783697A (zh) | 2020-10-16 |
Family
ID=72757915
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010641500.9A Pending CN111783697A (zh) | 2020-07-06 | 2020-07-06 | 一种基于卷积神经网络的错题检测及靶向推荐系统和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111783697A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115147254A (zh) * | 2022-09-05 | 2022-10-04 | 小白智能科技（长春）股份有限公司 | 一种用于主动引导辅导孩子学习的机器人及其控制方法 |
| CN117688248A (zh) * | 2024-02-01 | 2024-03-12 | 安徽教育网络出版有限公司 | 一种基于卷积神经网络的在线课程推荐方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886302A (zh) * | 2014-03-28 | 2014-06-25 | 上海携培信息科技有限公司 | 试卷识别分析实现方法及装置 |
| US20170124432A1 (en) * | 2015-11-03 | 2017-05-04 | Baidu Usa Llc | Systems and methods for attention-based configurable convolutional neural networks (abc-cnn) for visual question answering |
| CN109064814A (zh) * | 2018-06-27 | 2018-12-21 | 深圳中兴网信科技有限公司 | 试题批阅方法、试题批阅系统和计算机可读存储介质 |
| CN109712456A (zh) * | 2019-01-15 | 2019-05-03 | 山东仁博信息科技有限公司 | 一种基于摄像头的学生纸质作业智能批阅系统 |
| CN110597806A (zh) * | 2019-08-13 | 2019-12-20 | 上海建桥学院 | 一种基于批阅识别的错题集生成与答题统计系统及方法 |
-
2020
- 2020-07-06 CN CN202010641500.9A patent/CN111783697A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886302A (zh) * | 2014-03-28 | 2014-06-25 | 上海携培信息科技有限公司 | 试卷识别分析实现方法及装置 |
| US20170124432A1 (en) * | 2015-11-03 | 2017-05-04 | Baidu Usa Llc | Systems and methods for attention-based configurable convolutional neural networks (abc-cnn) for visual question answering |
| CN109064814A (zh) * | 2018-06-27 | 2018-12-21 | 深圳中兴网信科技有限公司 | 试题批阅方法、试题批阅系统和计算机可读存储介质 |
| CN109712456A (zh) * | 2019-01-15 | 2019-05-03 | 山东仁博信息科技有限公司 | 一种基于摄像头的学生纸质作业智能批阅系统 |
| CN110597806A (zh) * | 2019-08-13 | 2019-12-20 | 上海建桥学院 | 一种基于批阅识别的错题集生成与答题统计系统及方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115147254A (zh) * | 2022-09-05 | 2022-10-04 | 小白智能科技（长春）股份有限公司 | 一种用于主动引导辅导孩子学习的机器人及其控制方法 |
| CN117688248A (zh) * | 2024-02-01 | 2024-03-12 | 安徽教育网络出版有限公司 | 一种基于卷积神经网络的在线课程推荐方法及系统 |
| CN117688248B (zh) * | 2024-02-01 | 2024-04-26 | 安徽教育网络出版有限公司 | 一种基于卷积神经网络的在线课程推荐方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11508251B2 (en) | Method and system for intelligent identification and correction of questions | |
| CN107230174B (zh) | 一种基于网络的在线互动学习系统和方法 | |
| CN108920544A (zh) | 一种基于知识图谱的个性化职位推荐方法 | |
| CN110750959A (zh) | 文本信息处理的方法、模型训练的方法以及相关装置 | |
| CN110134954B (zh) | 一种基于Attention机制的命名实体识别方法 | |
| CN108959566B (zh) | 一种基于Stacking集成学习的医疗文本去隐私方法和系统 | |
| CN110390363A (zh) | 一种图像描述方法 | |
| CN110347836A (zh) | 融入观点句特征的汉越双语新闻情感分类方法 | |
| CN111369535B (zh) | 一种细胞检测方法 | |
| CN106708938A (zh) | 用于辅助推荐的方法及装置 | |
| CN112559781B (zh) | 一种图像检索系统和方法 | |
| CN111783697A (zh) | 一种基于卷积神经网络的错题检测及靶向推荐系统和方法 | |
| CN111368058A (zh) | 一种基于迁移学习的问答匹配方法 | |
| CN111552773A (zh) | 一种阅读理解任务中是否类问题关键句寻找方法及系统 | |
| Chiu et al. | Artificial intelligence-supported art education: A deep learning-based system for promoting university students’ artwork appreciation and painting outcomes | |
| CN108009248A (zh) | 一种数据分类方法和系统 | |
| CN110175657A (zh) | 一种图像多标签标记方法、装置、设备及可读存储介质 | |
| CN110597960B (zh) | 一种个性化在线课程与职业双向推荐方法及系统 | |
| Agarwal et al. | Autoeval: A nlp approach for automatic test evaluation system | |
| CN111444339A (zh) | 文本题目难度标注方法、装置及计算机可读存储介质 | |
| CN113934835B (zh) | 结合关键词和语义理解表征的检索式回复对话方法及系统 | |
| CN104700410A (zh) | 基于协同过滤的教学视频标注方法 | |
| CN108763218A (zh) | 一种基于crf的影视检索实体识别方法 | |
| CN117079276A (zh) | 一种基于知识蒸馏的语义分割方法、系统、设备及介质 | |
| CN116628162A (zh) | 语义问答方法、装置、设备及存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201016 |