CN112185416A - 一种基于ar的单词背诵方法 - Google Patents

一种基于ar的单词背诵方法 Download PDF

Info

Publication number
CN112185416A
CN112185416A CN202011040768.3A CN202011040768A CN112185416A CN 112185416 A CN112185416 A CN 112185416A CN 202011040768 A CN202011040768 A CN 202011040768A CN 112185416 A CN112185416 A CN 112185416A
Authority
CN
China
Prior art keywords
word
letter
path length
current
neural network
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
CN202011040768.3A
Other languages
English (en)
Inventor
王鑫
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.)
Shanghai Squirrel Classroom Artificial Intelligence Technology Co Ltd
Original Assignee
Shanghai Squirrel Classroom Artificial Intelligence Technology 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 Shanghai Squirrel Classroom Artificial Intelligence Technology Co Ltd filed Critical Shanghai Squirrel Classroom Artificial Intelligence Technology Co Ltd
Priority to CN202011040768.3A priority Critical patent/CN112185416A/zh
Publication of CN112185416A publication Critical patent/CN112185416A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/03—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the type of extracted parameters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G09B19/00—Teaching not covered by other main groups of this subclass
    • G09B19/06—Foreign languages
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Educational Technology (AREA)
  • Artificial Intelligence (AREA)
  • Educational Administration (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Evolutionary Biology (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Electrically Operated Instructional Devices (AREA)

Abstract

本发明公开了一种基于AR的单词背诵方法，涉及智能教学技术领域，所述方法包括：构建包括指定语言字母节点的神经网络模型，对于每个字母节点，将其与其它所有字母节点分别连接；获取学生端当前背诵单词信息，根据所述神经网络模型和预设路径长度算法计算所述当前背诵单词的组成字母之间的当前路径长度以及当前背诵单词对应的标准单词的组成字母之间的标准路径长度；根据所述当前路径长度和标准路径长度，计算当前背诵单词与标准单词的相似度并判断相似度是否达到预设阈值，若是，则判定所述学生端背诵的单词合格，否则，判定所述学生端背诵的单词不合格。本发明能够基于神经网络实现通过AR技术来进行单词背诵合格与否的判断。

Description

一种基于AR的单词背诵方法
技术领域
本发明涉及智能教学技术领域，特别涉及一种基于AR的单词背诵方法。
背景技术
随着计算机技术的发展，智能教学应运而生，例如网校课以及诸多学习APP。在智能教学技术中，学生一般是通过电脑或者手机、平板电脑等设备上安装的学习客户端来进行学习。在语言学习中，用于背单词的学习客户端必不可少，目前的背单词客户端主要是通过播放标准单词的文字和语音，然后让用户录入背诵的语音信息，在后台提取用户当前背诵的单词发音，对比当前背诵单词和标准单词的发音相似度以判断背诵的单词是否合格。但是，现有的语音相似度算法较为复杂，系统资源损耗高，识别较慢且稳定性不高。
发明内容
本发明提供一种基于AR的单词背诵方法，用于解决现有技术中单词背诵相似度算法较为复杂，系统资源损耗高，识别较慢且稳定性不高的问题，本发明能够基于神经网络实现通过AR技术来进行单词背诵合格与否的判断，判断结果准确性和稳定性高。
本发明提供一种基于AR的单词背诵方法，包括：
构建包括指定语言字母节点的神经网络模型，对于每个字母节点，将其与其它所有字母节点分别连接；
获取学生端当前背诵单词信息，根据所述神经网络模型和预设路径长度算法计算所述当前背诵单词的组成字母之间的当前路径长度；
根据所述神经网络模型和预设路径长度算法计算所述当前背诵单词对应的标准单词的组成字母之间的标准路径长度；
根据所述当前路径长度和标准路径长度，计算所述当前背诵单词与所述标准单词的相似度；
判断所述当前背诵单词和标准单词的相似度是否达到预设阈值；
若所述当前背诵单词和标准单词的相似度达到预设阈值，则判定所述学生端背诵的单词合格，否则，判定所述学生端背诵的单词不合格。
在一可选实施例中，所述当前背诵单词信息至少包括当前背诵单词的字母组成及字母数量；
所述预设路径长度算法为根据以下公式(1)计算目标单词的组成字母之间的路径长度L′为：
Figure BDA0002706573640000021
其中，所述目标单词为待计算组成字母之间的路径长度的单词，L′为目标单词的组成字母之间的路径长度，M为所述目标单词的字母数量；L为所述神经网络模型中字母节点之间的平均路径长度；a表示所述目标单词中的第a个字母，da,a+1表示所述目标单词中的第a个字母与其下一个字母在所述神经网络模型中对应的字母节点之间的路径长度，
Figure BDA0002706573640000022
表示所述目标单词中的第a个字母与其下一个字母在所述神经网络模型中对应的字母节点之间的关联度。
在一可选实施例中，在构建包括指定语言字母节点的神经网络模型，对于每个字母节点，将其与其它所有字母节点分别连接之后，获取学生端当前背诵单词信息之前，还包括：
根据以下公式(2)计算所述神经网络模型中字母节点之间的平均路径长度L：
Figure BDA0002706573640000023
其中，N为所述神经网络模型中字母节点的数量，di,j表示所述神经网络模型中第i个字母节点和第j个字母节点之间的路径长度；
Figure BDA0002706573640000024
表示将所述神经网络模型中的N个字母节点中两两字母节点的路径长度求和；
Figure BDA0002706573640000031
表示所述神经网络模型中第i个字母节点和第j个字母节点之间的关联度，
Figure BDA0002706573640000032
在预定取值区间内取预定值。
在一可选实施例中，所述φij的预定取值区间为[0.1,0.9]。
在一可选实施例中，所述根据所述当前路径长度和标准路径长度，计算所述当前背诵单词与所述标准单词的相似度，包括：
根据以下公式计算所述当前背诵单词与所述标准单词的相似度sim(e,f)：
Figure BDA0002706573640000033
其中，e表示为所述当前背诵单词，f表示为所述标准单词；L′1为根据所述公式(1)计算得到的所述当前背诵单词的组成字母之间的当前路径长度，L′2为根据所述公式(1)计算得到的所述标准单词的组成字母之间的当前路径长度；Q1为所述当前背诵单词的发音频率，Q2为所述标准单词的发音频率；Pq表示所述当前背诵单词中的第q个字母在所述神经网络模型中对应的字母节点的特征值，H为所述标准单词的字母数量，Ev表示所述标准单词中的第v个字母在所述神经网络模型中对应的字母节点的特征值；θ1为预设的路径长度比值所占的权重，θ2为预设的发音频率比值所占的权重，θ3为预设的特征值比例所占的权重。
在一可选实施例中，所述θ1取值为0.4，θ2取值为0.2，θ3取值为0.4。
在一可选实施例中，所述指定语言为英语，所述N＝26。
本发明提供的基于AR的单词背诵方法，通过构建预设神经网络模型来为指定语言字母创建节点，随后通过对比当前背诵的单词的组成字母节点之间的路径长度和标准单词的组成字母节点之间的路径长度的相似度来实现对用户端背诵的单词进行判定，该方法通过神经网络的和AR技术结合，能够实现现实背单词和虚拟环境中背单词技术的对接，相比于现有技术，判定的结果更加快速和准确，节省系统资源的损耗。进一步地，在计算相似度时，通过利用当前背诵单词的发音频率和路径长度以及特征值来综合判定用户端背诵的单词合格与否，可以从发音的角度和单词字母组成的角度来判定是否合格，严谨性更高，稳定性更强，实现了对背诵的单词的最终准确判定，保证了学生端对于待背诵单词的发音和单词拼写准确度两个方面的把握，能够提高学生端的学习效率。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其它优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明提供的一种基于AR的单词背诵方法流程图；
图2为本发明实施例构建的一种包括7个字母节点的神经网络模型示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
图1为本发明提供的一种基于AR的单词背诵方法流程图，如图1所示，该方法包括以下步骤：
S1：构建包括指定语言字母节点的神经网络模型，对于每个字母节点，将其与其它所有字母节点分别连接；
例如，若指定语言有7个字母，则图2中所示所述神经网络模型中有7个字母节点①②③④⑤⑥⑦，将每个字母节点与其它6个字母节点分别连接。
其中，指定语言可以为英语、德语、法语等等语言；当指定语言为英语时，所述神经网络模型中的字母节点数量为26。
S2：获取学生端当前背诵单词信息，根据所述神经网络模型和预设路径长度算法计算所述当前背诵单词的组成字母之间的当前路径长度。
优选地，所述当前背诵单词信息至少包括当前背诵单词的字母组成及字母数量。例如，所当前背诵的是英语单词“new”，则本步骤中获取的当前背诵的单词信息为：字母组成n-e-w，字母数量为3。
在一可选实施例中，所述预设路径长度算法为根据以下公式(1)计算目标单词的组成字母之间的路径长度L′：
Figure BDA0002706573640000051
其中，所述目标单词为待计算组成字母之间的路径长度的单词，公式(1)中，M为所述目标单词的字母数量；L为所述神经网络模型中字母节点之间的平均路径长度；a表示所述目标单词中的第a个字母，da,a+1表示所述目标单词中的第a个字母与其下一个字母在所述神经网络模型中对应的字母节点之间的路径长度，
Figure BDA0002706573640000052
表示所述目标单词中的第a个字母与其下一个字母在所述神经网络模型中对应的字母节点之间的关联度。
例如，若当前背诵的是英语单词“new”，则M＝3，根据公式(1)计算当前背诵单词的组成字母之间的当前路径长度为
Figure BDA0002706573640000053
Figure BDA0002706573640000054
其中，d1,2为所述神经网络模型中字母节点n和字母节点e之间的路径长度，d2,3为所述神经网络模型中字母节点e和字母节点w之间的路径长度，
Figure BDA0002706573640000055
为所述神经网络模型中字母节点n和字母节点e之间的关联度，
Figure BDA0002706573640000056
为所述神经网络模型中字母节点e和字母节点w之间的关联度。
在一可选实施例中，在步骤S1和S2之间，还可以包括：根据以下公式(2)计算所述神经网络模型中字母节点之间的平均路径长度L的步骤：
Figure BDA0002706573640000057
公式(2)中，N为所述神经网络模型中字母节点的数量，di,j表示所述神经网络模型中第i个字母节点和第j个字母节点之间的路径长度；
Figure BDA0002706573640000058
表示将所述神经网络模型中的N个字母节点中两两字母节点的路径长度求和；
Figure BDA0002706573640000059
表示所述神经网络模型中第i个字母节点和第j个字母节点之间的关联度，
Figure BDA0002706573640000061
在预定取值区间内取预定值。显然，当指定语言为英语时，N＝26。例如，当神经网络中有4个字母节点时，
Figure BDA0002706573640000062
优选地，φij的预定取值区间为[0.1,0.9]。
S3：根据所述神经网络模型和预设路径长度算法计算所述当前背诵单词对应的标准单词的组成字母之间的标准路径长度；
本步骤中，类似于步骤S2，根据公式(1)计算当前背诵单词对应的标准单词的组成字母之间的标准路径长度。
S4：根据所述当前路径长度和标准路径长度，计算所述当前背诵单词与所述标准单词的相似度。
在一可选实施例中，根据以下公式计算所述当前背诵单词与所述标准单词的相似度sim(e,f)：
Figure BDA0002706573640000063
其中，e表示为所述当前背诵单词，f表示为所述标准单词；L′1为根据所述公式(1)计算得到的所述当前背诵单词的组成字母之间的当前路径长度，L′2为根据所述公式(1)计算得到的所述标准单词的组成字母之间的当前路径长度；Q1为所述当前背诵单词的发音频率，Q2为所述标准单词的发音频率；Pq表示所述当前背诵单词中的第q个字母在所述神经网络模型中对应的字母节点的特征值，H为所述标准单词的字母数量，Ev表示所述标准单词中的第v个字母在所述神经网络模型中对应的字母节点的特征值；θ1为预设的路径长度比值所占的权重，θ2为预设的发音频率比值所占的权重，θ3为预设的特征值比例所占的权重。
优选地，公式(3)中，θ1取值为0.4，θ2取值为0.2，θ3取值为0.4。
S5：判断所述当前背诵单词和标准单词的相似度是否达到预设阈值；
本实施例中，若判断出所述当前背诵单词和标准单词的相似度达到预设阈值，则执行步骤S6，否则，执行步骤S7。
S6：判定所述学生端背诵的单词合格。
S7：判定所述学生端背诵的单词不合格。
本发明提供的基于AR的单词背诵方法，通过构建预设神经网络模型来为指定语言字母创建节点，随后通过对比当前背诵的单词的组成字母节点之间的路径长度和标准单词的组成字母节点之间的路径长度的相似度来实现对用户端背诵的单词进行判定，该方法通过神经网络的和AR技术结合，能够实现现实背单词和虚拟环境中背单词技术的对接，相比于现有技术，判定的结果更加快速和准确，节省系统资源的损耗。进一步地，在计算相似度时，通过利用当前背诵单词的发音频率和路径长度以及特征值来综合判定用户端背诵的单词合格与否，可以从发音的角度和单词字母组成的角度来判定是否合格，严谨性更高，稳定性更强，实现了对背诵的单词的最终准确判定，保证了学生端对于待背诵单词的发音和单词拼写准确度两个方面的把握，能够提高学生端的学习效率。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (7)

1.一种基于AR的单词背诵方法，其特征在于，包括：
构建包括指定语言字母节点的神经网络模型，对于每个字母节点，将其与其它所有字母节点分别连接；
获取学生端当前背诵单词信息，根据所述神经网络模型和预设路径长度算法计算所述当前背诵单词的组成字母之间的当前路径长度；
根据所述神经网络模型和预设路径长度算法计算所述当前背诵单词对应的标准单词的组成字母之间的标准路径长度；
根据所述当前路径长度和标准路径长度，计算所述当前背诵单词与所述标准单词的相似度；
判断所述当前背诵单词和标准单词的相似度是否达到预设阈值；
若所述当前背诵单词和标准单词的相似度达到预设阈值，则判定所述学生端背诵的单词合格，否则，判定所述学生端背诵的单词不合格。
2.如权利要求1所述的基于AR的单词背诵方法，其特征在于，所述当前背诵单词信息至少包括当前背诵单词的字母组成及字母数量；
所述预设路径长度算法为根据以下公式(1)计算目标单词的组成字母之间的路径长度L′：
Figure FDA0002706573630000011
其中，所述目标单词为待计算组成字母之间的路径长度的单词，M为所述目标单词的字母数量；L为所述神经网络模型中字母节点之间的平均路径长度；a表示所述目标单词中的第a个字母，da,a+1表示所述目标单词中的第a个字母与其下一个字母在所述神经网络模型中对应的字母节点之间的路径长度，
Figure FDA0002706573630000012
表示所述目标单词中的第a个字母与其下一个字母在所述神经网络模型中对应的字母节点之间的关联度。
3.如权利要求2所述的基于AR的单词背诵方法，其特征在于，在构建包括指定语言字母节点的神经网络模型，对于每个字母节点，将其与其它所有字母节点分别连接之后，获取学生端当前背诵单词信息之前，还包括：
根据以下公式(2)计算所述神经网络模型中字母节点之间的平均路径长度L：
Figure FDA0002706573630000021
其中，N为所述神经网络模型中字母节点的数量，di,j表示所述神经网络模型中第i个字母节点和第j个字母节点之间的路径长度；
Figure FDA0002706573630000022
表示将所述神经网络模型中的N个字母节点中两两字母节点的路径长度求和；
Figure FDA0002706573630000023
表示所述神经网络模型中第i个字母节点和第j个字母节点之间的关联度，
Figure FDA0002706573630000024
在预定取值区间内取预定值。
4.如权利要求3所述的基于AR的单词背诵方法，其特征在于，所述φij的预定取值区间为[0.1,0.9]。
5.如权利要求2或3所述的基于AR的单词背诵方法，其特征在于，所述根据所述当前路径长度和标准路径长度，计算所述当前背诵单词与所述标准单词的相似度，包括：
根据以下公式计算所述当前背诵单词与所述标准单词的相似度sim(e,f)：
Figure FDA0002706573630000025
其中，e表示为所述当前背诵单词，f表示为所述标准单词；L′1为根据所述公式(1)计算得到的所述当前背诵单词的组成字母之间的当前路径长度，L′2为根据所述公式(1)计算得到的所述标准单词的组成字母之间的当前路径长度；Q1为所述当前背诵单词的发音频率，Q2为所述标准单词的发音频率；Pq表示所述当前背诵单词中的第q个字母在所述神经网络模型中对应的字母节点的特征值，H为所述标准单词的字母数量，Ev表示所述标准单词中的第v个字母在所述神经网络模型中对应的字母节点的特征值；θ1为预设的路径长度比值所占的权重，θ2为预设的发音频率比值所占的权重，θ3为预设的特征值比例所占的权重。
6.如权利要求6所述的基于AR的单词背诵方法，其特征在于，所述θ1取值为0.4，θ2取值为0.2，θ3取值为0.4。
7.如权利要求3所述的基于AR的单词背诵方法，其特征在于，所述指定语言为英语，所述N＝26。
CN202011040768.3A 2020-09-28 2020-09-28 一种基于ar的单词背诵方法 Pending CN112185416A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011040768.3A CN112185416A (zh) 2020-09-28 2020-09-28 一种基于ar的单词背诵方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011040768.3A CN112185416A (zh) 2020-09-28 2020-09-28 一种基于ar的单词背诵方法

Publications (1)

Publication Number Publication Date
CN112185416A true CN112185416A (zh) 2021-01-05

Family

ID=73943840

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011040768.3A Pending CN112185416A (zh) 2020-09-28 2020-09-28 一种基于ar的单词背诵方法

Country Status (1)

Country Link
CN (1) CN112185416A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705221A (zh) * 2021-08-27 2021-11-26 北京百度网讯科技有限公司 一种单词推送方法、装置、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705221A (zh) * 2021-08-27 2021-11-26 北京百度网讯科技有限公司 一种单词推送方法、装置、电子设备及存储介质
CN113705221B (zh) * 2021-08-27 2023-11-10 北京百度网讯科技有限公司 一种单词推送方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN110795543B (zh) 基于深度学习的非结构化数据抽取方法、装置及存储介质
CN110188331B (zh) 模型训练方法、对话系统评价方法、装置、设备及存储介质
CN110717039A (zh) 文本分类方法和装置、电子设备、计算机可读存储介质
CN110276023B (zh) Poi变迁事件发现方法、装置、计算设备和介质
CN107818164A (zh) 一种智能问答方法及其系统
CN110781663B (zh) 文本分析模型的训练方法及装置、文本分析方法及装置
CN110717023B (zh) 面试回答文本的分类方法及装置、电子设备、存储介质
WO2021218028A1 (zh) 基于人工智能的面试内容精炼方法、装置、设备及介质
KR102353906B1 (ko) 유사도에 기반한 문제 추천 방법 및 문제 추천 서버
CN111539207B (zh) 文本识别方法、文本识别装置、存储介质和电子设备
CN112132536A (zh) 一种岗位推荐方法、系统、计算机设备及存储介质
CN113673228A (zh) 文本纠错方法、装置、计算机存储介质及计算机程序产品
CN113488023A (zh) 一种语种识别模型构建方法、语种识别方法
CN110929532B (zh) 数据处理方法、装置、设备及存储介质
CN110852071B (zh) 知识点检测方法、装置、设备及可读存储介质
CN117271736A (zh) 一种问答对的生成方法和系统、电子设备及存储介质
CN110046344B (zh) 添加分隔符的方法及终端设备
CN112185416A (zh) 一种基于ar的单词背诵方法
CN111813941A (zh) 结合rpa和ai的文本分类方法、装置、设备及介质
Yeh et al. Chinese word spelling correction based on rule induction
CN111739518B (zh) 音频的识别方法和装置、存储介质及电子设备
CN112002306B (zh) 语音类别的识别方法、装置、电子设备及可读存储介质
CN114611529A (zh) 意图识别方法和装置、电子设备及存储介质
WO2021082570A1 (zh) 基于人工智能的语义识别方法、装置和语义识别设备
CN113656566A (zh) 智能对话处理方法、装置、计算机设备及存储介质

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