CN112560431A - 用于生成试题辅导信息的方法、装置、设备、存储介质以及计算机程序产品 - Google Patents
用于生成试题辅导信息的方法、装置、设备、存储介质以及计算机程序产品 Download PDFInfo
- Publication number
- CN112560431A CN112560431A CN202011564534.9A CN202011564534A CN112560431A CN 112560431 A CN112560431 A CN 112560431A CN 202011564534 A CN202011564534 A CN 202011564534A CN 112560431 A CN112560431 A CN 112560431A
- Authority
- CN
- China
- Prior art keywords
- information
- text
- question
- tutoring
- content
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 140
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004590 computer program Methods 0.000 title claims abstract description 15
- 238000001514 detection method Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 22
- 238000012937 correction Methods 0.000 claims description 21
- 238000011156 evaluation Methods 0.000 claims description 20
- 230000004044 response Effects 0.000 claims description 12
- 238000013210 evaluation model Methods 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000013179 statistical model Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 10
- 238000003780 insertion Methods 0.000 description 9
- 230000037431 insertion Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 5
- 239000003795 chemical substances by application Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/194—Calculation of difference between files
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/232—Orthographic correction, e.g. spell checking or vowelisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/253—Grammatical analysis; Style critique
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本公开公开了用于生成试题辅导信息的方法、装置、设备、存储介质以及计算机程序产品，涉及智能教辅领域和机器阅读理解(Machine Reading Comprehension,MRC)领域。具体实现方案为：获取试题信息，其中，该试题信息包括题目和与该题目内容关联的文本；确定该试题信息所指示的试题所属于的题目类型；基于该内容关联的文本，利用与该题目类型相匹配的方式，生成该题目对应的辅导信息。从而能够在不依赖预存试题答案的前提下实现做题辅导，节约了人力。
Description
技术领域
本公开涉及计算机技术领域，具体涉及智能教辅领域和机器阅读理解领域的试题辅导技术。
背景技术
随着人工智能(Artificial Intelligence，AI)技术的飞速发展，各种智能教辅的方法和产品也取得了越来越多的应用。
现有技术中，通常采用题库等方式对学生学习效果进行检测。在这些方式中，题库系统显示问题，接收用户输入的答案，再将用户输入的答案与系统中预存的参考答案进行比对。
发明内容
本公开提供了一种用于生成试题辅导信息的方法、装置、设备、存储介质以及计算机程序产品。
根据第一方面，提供了一种用于生成试题辅导信息的方法，包括：获取试题信息，其中，试题信息包括题目和与题目内容关联的文本；确定试题信息所指示的试题所属于的题目类型；基于内容关联的文本，利用与题目类型相匹配的方式，生成题目对应的辅导信息。
根据第二方面，提供了一种用于生成试题辅导信息的装置，包括：获取单元，被配置成获取试题信息，其中，试题信息包括题目和与题目内容关联的文本；确定单元，被配置成确定试题信息所指示的试题所属于的题目类型；生成单元，被配置成基于内容关联的文本，利用与题目类型相匹配的方式，生成题目对应的辅导信息。
根据第三方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面所描述的方法。
根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行如第一方面所描述的方法。
根据第五方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面所描述的方法。
根据本申请的技术通过获取试题信息，利用与试题所属于的题目类型相匹配的方式生成题目对应的辅导信息，能够在不依赖预存试题答案的前提下实现做题辅导，从而节约人力。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1是根据本公开第一实施例的示意图；
图2是根据本公开第二实施例的示意图；
图3是根据本公开第三实施例的示意图；
图4是根据本申请实施例的用于生成试题辅导信息的装置的示意图；
图5是用来实现本公开实施例的用于生成试题辅导信息的方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是示出了根据本申请第一实施例的示意图100。该用于生成试题辅导信息的方法包括以下步骤：
S101，获取试题信息。
在本实施例中，用于生成试题辅导信息的执行主体可以通过各种方式获取试题信息。其中，上述试题信息可以包括题目和与上述题目内容关联的文本。上述题目通常可以指待回答的问题。作为示例，上述执行主体可以从通信连接的电子设备(例如远程教学的教师使用端)获取上述试题信息。作为又一示例，上述执行主体可以从本地获取用户上传的试题信息。上述与题目内容关联的文本可以包括各种形式的内容，例如外语考试试卷中的作文要求、阅读理解题的文章、完形填空的短文、通过语音识别技术转写出的听力音频对应的文本等等。
S102，确定试题信息所指示的试题所属于的题目类型。
在本实施例中，上述执行主体可以通过各种方式确定上述步骤S101所获取的试题信息所指示的试题所属于的题目类型。作为示例，上述执行主体可以从题型名称(例如cloze、writing)确定上述题目类型。作为又一示例，上述执行主体可以从上述题目和与上述题目内容关联的文本的形式确定题目类型。上述题目类型可以包括但不限于以下至少一项：写作类、听力理解类、文本理解类、完形填空类。
S103，基于内容关联的文本，利用与题目类型相匹配的方式，生成题目对应的辅导信息。
在本实施例中，基于步骤S101所获取的内容关联的文本，上述执行主体可以利用与步骤S102所确定的题目类型相匹配的方式，通过各种方式生成题目对应的辅导信息。
在本实施例中，上述执行主体可以预先存储有与各题目类型相匹配的生成辅导信息的方式。上述执行主体可以执行与上述步骤S102所确定的题目类型相匹配的方式，以生成与生成题目对应的辅导信息。作为示例，上述执行主体可以生成写作类题目的参考范文。作为又一示例，上述执行主体可以生成完形填空类题目的参考答案。
实际应用场景中，例如学生放学后写作业时往往并没有试题答案。当学生想了解自己的做题情况时，只能通过问家长、同学或请家教等耗费人力的途径。而本申请的上述实施例提供的方法，通过获取试题信息，利用与试题所属于的题目类型相匹配的方式生成题目对应的辅导信息，能够在不依赖预存试题答案的前提下实现做题辅导，从而节约人力。
在本实施例的一些可选的实现方式中，上述步骤S102中的题目类型可以包括写作类。基于内容关联的文本，上述执行主体还可以通过以下步骤生成题目对应的辅导信息：
第一步，获取输入的待评价文本。
在这些实现方式中，上述执行主体可以通过各种方式获取输入的待评价文本。作为示例，上述执行主体可以获取用户通过键盘输入的文本作为待评价文本。作为又一示例，上述执行主体可以获取用户通过摄像头拍摄的文本图像。之后，上述执行主体可以对所获取的文本图像进行文本识别，生成待评价文本。
第二步，基于内容关联的文本和待评价文本之间的匹配度，生成主题匹配评价信息。
在这些实现方式中，上述执行主体可以通过各种方式确定上述步骤S101所获取的内容关联的文本和上述第一步所获取的待评价文本之间的匹配度。作为示例，上述执行主体可以统计上述待评价文本中与上述内容关联的文本中语义关联度大于预设阈值的词的数量作为匹配度评价指标。基于上述所确定的匹配度，上述执行主体可以通过各种方式生成主题匹配评价信息。作为示例，上述主题匹配评价信息可以用于指示主题相关、主题基本相关、主题不相关。
第三步，将待评分文本输入至预先训练的文本评价模型，生成文本评价信息。
在这些实现方式中，上述执行主体可以将上述第一步所获取的待评分文本输入至预先训练的文本评价模型，生成文本评价信息。其中，上述文本评价模型可以包括从各种维度进行评价的模型。例如，上述文本评价模型可以包括利用传统的统计机器学习方法训练得到的模型和利用深度学习方法训练得到的模型。上述文本评价模型例如可以包括次数统计模型、句子长度统计模型等。
可选地，基于上述可选的实现方式，上述文本评价模型可以包括以下至少一项：语法检测模型，拼写检测模型，高级词汇统计模型。其中，上述用于检测是否符合语法表达方法的语法检测模型和用于检测是否存在单词拼写错误的拼写检测模型可以基于LSTM模型训练得到。上述高级词汇统计模型可以区分词汇是否输入高级词汇并将属于高级词汇的词进行计数。
基于上述可选的实现方式，本方案可以从语法、拼写、是否使用高级词汇等方面对用户输入的文章进行评价，从而丰富了对待评价文本的评价维度，进而有助于生成更全面的辅导信息。
第四步，基于文本评价信息，生成辅导信息。
在这些实现方式中，基于上述第三步所生成的文本评价信息，上述执行主体可以通过各种方式生成辅导信息。其中，上述辅导信息可以包括与上述文本评价信息匹配的推荐词句。作为示例，上述辅导信息可以包括针对文本评价信息所指示的待评价文本的缺陷进行改进的信息。例如，上述辅导信息可以包括针对待评价文本中的词语(bussiness)的拼写进行修正后的词汇(business)、针对待评价文本中的词语(good)的拼写进行推荐的高级词汇(wonderful)。
基于上述可选的实现方式，本方案可以从主题相关度和其他文本评价(例如语法、拼写、是否为高级词汇等)方面对用户输入的待评价文本进行评价，并生成有针对性的指导信息。
可选地，基于上述第三步的可选的实现方式，上述执行主体还可以从预设的文本素材库中检索与上述题目、内容关联的文本以及待评价文本相匹配的文本素材作为上述辅导信息。
基于上述可选的实现方式，本方案可以提供与上述题目相关联的文本素材或范文，以对用户进行作文辅导。
在本实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤获取试题信息：
第一步，获取针对试卷拍摄的图像作为试卷图像。
第二步，利用预先训练的旋转目标检测模型对试卷图像进行目标检测，确定试卷区域。
在这些实现方式中，上述旋转目标检测模型可以包括各种用于检测旋转目标的模型，例如RSDet模型。从而更适用于试卷拍摄的情形，有助于准确确定试卷区域。
第三步，利用预先训练的基于显著性分类的区域分割模型对试卷区域进行划分，生成子试卷区域。
在这些实现方式中，上述执行主体可以利用各种基于显著性分类的区域分割模型实现对试卷区域的划分。作为示例，上述基于显著性分类的区域分割模型例如可以包括显著性网络(saliency network,SAL)、条件随机场(conditional random field,CRF)和分类器。其中，上述SAL可以通过学习各种全局结构上的显著性线索，将输入的图像转化为全局显著图。其中，上述显著性线索可以包括但不限于以下至少一项：全局对比度、对象性、紧凑性。上述CRF可以通过融合局部上下文信息，进一步将上述SAL输出的全局显著图进行分层次细化，生成细化后的显著图。最后，上述分类器可以根据上述CRF输出的细化后的显著图区分不同的区域，从而生成多个子试卷区域。例如，将不同的图表、题型划分为不同区域。
第四步，响应于检测到对子试卷区域的选取操作，对选取操作所指示的子试卷区域进行文字识别，生成试题信息。
在这些实现方式中，上述文字识别可以采用各种方式。作为示例，上述执行主体可以利用FOTS(fast oriented text spotting)模型实现文字检测与识别。
基于上述可选的实现方式，本方案可以对用户拍摄的试卷图像进行识别，以得到试题信息，方便了用户的使用。
可选地，基于上述可选的实现方式，上述执行主体还可以继续执行以下步骤：
S104，接收对辅导信息进行校正的校正信息。
在这些实现方式中，上述执行主体可以接收对步骤S103所生成的辅导信息进行校正的校正信息。作为示例，用户可以对上述步骤S103所生成的辅导信息进行检查。如认为所生成的辅导信息不当，例如修正后的词不符合原意、提供的答案不正确等，用户可以通过点击“我要反馈”或“答案存疑”按钮。上述执行主体可以接收用户点击上述按钮后所生成的校正信息。
S105，基于校正信息，更新与校正信息对应的题目类型相匹配的方式。
在这些实现方式中，基于上述步骤S104所接收的校正信息，上述执行主体可以通过各种方式更新与校正信息对应的题目类型相匹配的方式。作为示例，上述执行主体可以更新上述校正信息所指示的匹配关系表。作为又一示例，上述执行主体还可以将上述校正信息以及对应的试题信息作为新的训练样本，对所涉及的模型重新进行训练。
基于上述可选的实现方式，本方案可以利用用户反馈的信息，持续优化生成辅导信息的方式。
在本实施例的一些可选的实现方式中，上述执行主体还可以通过显示设备将所生成的辅导信息进行显示。上述执行主体还可以利用语音合成技术将所生成的辅导信息转换为语音，并通过音频播放设备进行播放。可选地，上述执行主体还可以支持复读功能，以实现重复播报。
继续参见图2，图2是根据本申请第二实施例的示意图200。该用于生成试题辅导信息的方法包括以下步骤：
S201，获取试题信息。
在本实施例中，上述试题信息可以包括题目、与题目内容关联的文本和至少两个备选答案项。
S202，确定试题信息所指示的试题所属于的题目类型。
在本实施例中，上述题目类型可以包括内容理解类。
S203，利用预先训练的第一语言处理模型将题目、内容关联的文本和至少两个备选答案项转换为对应的词嵌入。
在本实施例中，用于生成试题辅导信息的方法的执行主体可以利用预先训练的第一语言处理模型将题目、内容关联的文本和至少两个备选答案项转换为对应的词嵌入。其中，上述第一语言处理模型可以包括各种用于生成词嵌入的模型。作为示例，上述第一语言处理模型可以是各种基于BERT(Bidirectional Encoder Representations fromTransformers)的模型，例如RoBERTa模型。
S204，基于对应的词嵌入之间的匹配度，从至少两个备选答案项中选取答案项作为题目对应的辅导信息。
在本实施例中，基于上述步骤S203所生成的题目、内容关联的文本和至少两个备选答案项对应的词嵌入之间的匹配度，上述执行主体可以通过各种方式从上述至少两个备选答案项中选取答案项作为题目对应的辅导信息。作为示例，上述执行主体可以确定各备选答案项对应的词嵌入与题目对应的词嵌入之间的相似度作为第一相似度。上述执行主体还可以确定各备选答案项对应的词嵌入与内容关联的文本对应的词嵌入之间的相似度作为第二相似度。上述执行主体可以根据上述第一相似度和第二相似度的融合(例如加权求和、最大值、最小值)确定各备选答案项对应的融合匹配度。之后，上述执行主体可以选取融合匹配度最高的备选答案项作为上述题目对应的辅导信息。
上述步骤S201和S202可以分别与前述实施例中的步骤S101和S102及其可选的实现方式一致，上文针对S101和S102及其可选的实现方式的描述也适用于S201和S202，此处不再赘述。
从图2可以看出，本申请的上述实施例提供的方法，通过将题目和备选答案项转换为词嵌入并根据词嵌入之间的匹配度选取答案，从而能够生成试卷中阅读理解类题目的参考答案，使得用户可以在无法获得答案(例如家庭作业)时得到相应的做题辅导，且无需耗费人工。
在本实施例的一些可选的实现方式中，基于对应的词嵌入之间的匹配度，上述主体还可以按照以下步骤从至少两个备选答案项中选取答案项作为题目对应的辅导信息：
第一步，根据题目对应的词嵌入与内容关联的文本对应的词嵌入之间的匹配度，确定内容关联的文本中是否存在与题目匹配的语句。
在这些实现方式中，上述执行主体可以根据题目对应的词嵌入与内容关联的文本对应的词嵌入之间的匹配度是否大于预设的匹配度阈值，来确定内容关联的文本中是否存在与题目匹配的语句。
第二步，响应于确定存在，将所确定的匹配的语句确定为预期答案语句；以及基于预期答案语句对应的词嵌入与至少两个备选答案项对应的词嵌入之间的匹配度，从至少两个备选答案项中选取答案项作为题目对应的辅导信息。
在这些实现方式中，响应于确定内容关联的文本中存在与题目匹配的语句，上述执行主体可以将所确定的匹配的语句确定为预期答案语句。而后，上述执行主体可以基于预期答案语句对应的词嵌入与上述至少两个备选答案项对应的词嵌入之间的匹配度，采用与上述步骤S204所描述的方法一致的方式从至少两个备选答案项中选取答案项作为题目对应的辅导信息。
基于上述可选的实现方式，本方案可以实现根据与题目内容关联的文本从备选答案项中选取答案。
可选地，基于上述可选的实现方式，响应于确定内容关联的文本中不存在与题目匹配的语句或上述预期答案语句对应的词嵌入与至少两个备选答案项对应的词嵌入之间最大的匹配度低于预设阈值，上述执行主体还可以继续执行以下步骤：
第三步，从预设的知识库中选取与内容关联的文本对应的词嵌入相匹配的文本作为目标文本。
在这些实现方式中，上述执行主体从预设的知识库中选取与内容关联的文本对应的词嵌入相匹配的文本作为目标文本。在本实施例中，上述预设的知识库通常带有索引。上述执行主体可以根据上述与内容关联的文本对应的词嵌入从预设的知识库中选取匹配的文本。作为示例，内容关联的文本可以是关于“桑拿”的文本。上述执行主体可以从上述预设的知识库中选取与“桑拿”相关的知识(例如桑拿的衣着)作为目标文本。
第四步，利用第一语言处理模型将目标文本转换为对应的词嵌入。
第五步，基于综合匹配度，从至少两个备选答案项中选取答案项作为上述题目对应的辅导信息。
在这些实现方式中，上述执行主体可以首先确定上述题目对应的词嵌入与各备选答案项对应的词嵌入之间的第一匹配度。上述执行主体还可以确定上述第三步所选取的目标文本对应的词嵌入与各备选答案项对应的词嵌入之间的第二匹配度。之后，基于上述第一匹配度和第二匹配度的结合(例如加权求和、最大值、最小值)，上述执行主体可以确定各备选答案项对应的综合匹配度。最后，上述执行主体可以选取综合匹配度最高的备选答案项作为上述题目对应的辅导信息。
基于上述可选的实现方式，本方案可以利用与题目相关联的外部知识从备选答案项中选取答案，从而避免了仅根据内容关联文本无法确定答案的情况，进而提升了所生成的辅导信息的准确性。
在本实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤获取试题信息：
第一步，获取针对试卷拍摄的图像作为试卷图像。
第二步，利用预先训练的旋转目标检测模型对试卷图像进行目标检测，确定试卷区域；
第三步，利用预先训练的基于显著性分类的区域分割模型对试卷区域进行划分，生成子试卷区域；
第四步，响应于检测到对子试卷区域的选取操作，对选取操作所指示的子试卷区域进行文字识别，生成试题信息。
可选地，基于上述可选的实现方式，上述执行主体还可以继续执行以下步骤：
S205，接收对辅导信息进行校正的校正信息。
S206，基于校正信息，更新与校正信息对应的题目类型相匹配的方式。
上述步骤可以与前述实施例中可选的实现方式中相应描述一致，此处不再赘述。
继续参见图3，图3是根据本申请第三实施例的示意图300。该用于生成试题辅导信息的方法包括以下步骤：
S301，获取试题信息。
在本实施例中，上述试题信息可以包括题目和与题目内容关联的文本。上述与题目内容关联的文本可以包括待补全的文本。上述试题信息还可以包括各待补全的空缺对应的至少两个备选答案项。
S302，确定试题信息所指示的试题所属于的题目类型。
在本实施例中，上述题目类型可以包括完形填空类。
S303，利用预先训练的第二语言处理模型将待补全的文本和至少两个备选答案项转换为对应的词嵌入。
在本实施例中，用于生成试题辅导信息的方法的执行主体可以利用预先训练的第二语言处理模型将待补全的文本和至少两个备选答案项转换为对应的词嵌入。其中，上述第二语言处理模型可以是各种基于BERT(Bidirectional Encoder Representations fromTransformers)的模型，其可以与前述第一语言模型相同或不同，此处不作限定。
S304，对于各待补全的空缺中的空缺，上述执行主体可以继续执行以下步骤：
S3041，将该空缺对应的至少两个备选答案项对应的词嵌入与待补全的文本对应的词嵌入进行连接。
在这些实现方式中，完形填空题的待补全文本中例如可以包括10个空缺。作为示例，对于第一个空缺，上述执行主体可以将第一个空缺对应的至少两个备选答案项对应的词嵌入与待补全的文本对应的词嵌入进行连接。从而，可以生成与备选答案项的数目一致的连接后的词嵌入。
S3042，将连接后的各词嵌入输入至预先训练的分类器，得到连接后的各词嵌入对应的用于指示语义符合程度的得分。
在这些实现方式中，上述执行主体可以将上述步骤S3041所生成的连接后的各词嵌入输入至预先训练的分类器，得到连接后的各词嵌入对应的用于指示语义符合程度的得分。作为示例，上述分类器的输出可以包括用于指示符合语义的信息(例如“1”)和用于指示不符合语义的信息(例如“0”)。可选地，上述分类器还可以输出相应的置信度。从而，上述执行主体可以将上述分类器输出的“1”对应的置信度确定为上述用于指示语义符合程度的得分。
S3043，基于所得到的得分，从该空缺对应的至少两个备选答案项中选取得分最高的备选答案项作为题目对应的辅导信息。
在本实施例中，基于所得到的得分，上述执行主体可以从该空缺对应的至少两个备选答案项中选取得分最高的备选答案项作为题目对应的辅导信息。从而，上述执行主体可以确定上述待补全文本中所有空缺对应的辅导信息。
上述步骤S301和S302可以分别与前述实施例中的步骤S101和S102及其可选的实现方式一致，上文针对S101和S102及其可选的实现方式的描述也适用于S301和S302，此处不再赘述。
从图3可以看出，本申请的上述实施例提供的方法，通过将待补全的文本和备选答案项转换为词嵌入并根据词嵌入连接后的语义符合程度选取答案，从而能够生成试卷中完形填空类题目的参考答案，使得用户可以在无法获得答案(例如家庭作业)时得到相应的做题辅导，且无需耗费人工。
在本实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤获取试题信息：
第一步，获取针对试卷拍摄的图像作为试卷图像。
第二步，利用预先训练的旋转目标检测模型对试卷图像进行目标检测，确定试卷区域。
第三步，利用预先训练的基于显著性分类的区域分割模型对试卷区域进行划分，生成子试卷区域。
第四步，响应于检测到对子试卷区域的选取操作，对选取操作所指示的子试卷区域进行文字识别，生成试题信息。
可选地，基于上述可选的实现方式，上述执行主体还可以继续执行以下步骤：
S305，接收对辅导信息进行校正的校正信息。
S306，基于校正信息，更新与校正信息对应的题目类型相匹配的方式。
上述步骤可以与前述实施例中可选的实现方式中相应描述一致，此处不再赘述。
进一步参考图4，作为对上述各图所示方法的实现，本申请提供了用于生成试题辅导信息的装置的一个实施例，该装置实施例与图1、图2或图3所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图4所示，本实施例提供的用于生成试题辅导信息的装置400包括获取单元401、确定单元402和生成单元403。其中，获取单元401，被配置成获取试题信息，其中，试题信息包括题目和与题目内容关联的文本；确定单元402，被配置成确定试题信息所指示的试题所属于的题目类型；生成单元403，被配置成基于内容关联的文本，利用与题目类型相匹配的方式，生成题目对应的辅导信息。
在本实施例中，用于生成试题辅导信息的装置400中：获取单元401、确定单元402和生成单元403的具体处理及其所带来的技术效果可分别参考图1对应实施例中的步骤S101、S102和S103的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，上述题目类型可以包括写作类。上述生成单元403可以包括：获取模块(图中未示出)，被配置成获取输入的待评价文本；第一生成模块(图中未示出)，被配置成基于内容关联的文本和待评价文本之间的匹配度，生成主题匹配评价信息；
第二生成模块(图中未示出)，被配置成将待评分文本输入至预先训练的文本评价模型，生成文本评价信息；第三生成模块(图中未示出)，被配置成基于文本评价信息，生成辅导信息，其中，辅导信息包括与文本评价信息匹配的推荐词句。
在本实施例的一些可选的实现方式中，上述文本评价模型可以包括以下至少一项：语法检测模型，拼写检测模型，高级词汇统计模型。上述第三生成模块可以被进一步配置成：从预设的文本素材库中检索与题目、内容关联的文本以及待评价文本相匹配的文本素材作为辅导信息。
在本实施例的一些可选的实现方式中，上述试题信息还可以包括至少两个备选答案项。上述题目类型可以包括内容理解类。上述生成单元403可以包括：转换模块(图中未示出)，被配置成利用预先训练的第一语言处理模型将题目、内容关联的文本和至少两个备选答案项转换为对应的词嵌入；选取模块(图中未示出)，被配置成基于对应的词嵌入之间的匹配度，从至少两个备选答案项中选取答案项作为题目对应的辅导信息。
在本实施例的一些可选的实现方式中，上述选取模块可以进一步被配置成：根据题目对应的词嵌入与内容关联的文本对应的词嵌入之间的匹配度，确定内容关联的文本中是否存在与题目匹配的语句；响应于确定存在，将所确定的匹配的语句确定为预期答案语句；以及基于预期答案语句对应的词嵌入与至少两个备选答案项对应的词嵌入之间的匹配度，从至少两个备选答案项中选取答案项作为题目对应的辅导信息。
在本实施例的一些可选的实现方式中，上述选取模块可以进一步被配置成：响应于确定不存在或预期答案语句对应的词嵌入与至少两个备选答案项对应的词嵌入之间最大的匹配度低于预设阈值，从预设的知识库中选取与内容关联的文本对应的词嵌入相匹配的文本作为目标文本；利用第一语言处理模型将目标文本转换为对应的词嵌入；基于综合匹配度，从至少两个备选答案项中选取答案项作为题目对应的辅导信息，其中，综合匹配度基于题目对应的词嵌入与至少两个备选答案项对应的词嵌入之间的第一匹配度和目标文本对应的词嵌入与至少两个备选答案项对应的词嵌入之间的第二匹配度而生成。
在本实施例的一些可选的实现方式中，上述与题目内容关联的文本可以包括待补全的文本。上述试题信息还可以包括各待补全的空缺对应的至少两个备选答案项。上述题目类型可以包括完形填空类。上述生成单元403可以进一步被配置成：利用预先训练的第二语言处理模型将待补全的文本和至少两个备选答案项转换为对应的词嵌入；对于各待补全的空缺中的空缺，将该空缺对应的至少两个备选答案项对应的词嵌入与待补全的文本对应的词嵌入进行连接；将连接后的各词嵌入输入至预先训练的分类器，得到连接后的各词嵌入对应的用于指示语义符合程度的得分；基于所得到的得分，从该空缺对应的至少两个备选答案项中选取得分最高的备选答案项作为题目对应的辅导信息。
在本实施例的一些可选的实现方式中，上述获取单元401可以进一步被配置成：获取针对试卷拍摄的图像作为试卷图像；利用预先训练的旋转目标检测模型对试卷图像进行目标检测，确定试卷区域；利用预先训练的基于显著性分类的区域分割模型对试卷区域进行划分，生成子试卷区域；响应于检测到对子试卷区域的选取操作，对选取操作所指示的子试卷区域进行文字识别，生成试题信息。上述用于生成试题辅导信息的装置还可以包括：接收单元(图中未示出)，被配置成接收对辅导信息进行校正的校正信息；更新单元(图中未示出)，被配置成基于校正信息，更新与校正信息对应的题目类型相匹配的方式。
本申请的上述实施例提供的装置，通过获取单元401获取试题信息，生成单元403利用与确定单元402所确定的试题所属于的题目类型相匹配的方式生成题目对应的辅导信息，从而能够在不依赖预存试题答案的前提下实现做题辅导，进而节约人力。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如用于生成试题辅导信息的方法。例如，在一些实施例中，用于生成试题辅导信息的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的用于生成试题辅导信息的方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行上述用于生成试题辅导信息的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (12)
1.一种用于生成试题辅导信息的方法，包括：
获取试题信息，其中，所述试题信息包括题目和与所述题目内容关联的文本；
确定所述试题信息所指示的试题所属于的题目类型；
基于所述内容关联的文本，利用与所述题目类型相匹配的方式，生成所述题目对应的辅导信息。
2.根据权利要求1所述的方法，其中，所述题目类型包括写作类；以及
所述基于所述内容关联的文本，利用与所述题目类型相匹配的方式，生成所述题目对应的辅导信息，包括：
获取输入的待评价文本；
基于所述内容关联的文本和所述待评价文本之间的匹配度，生成主题匹配评价信息；
将所述待评分文本输入至预先训练的文本评价模型，生成文本评价信息；
基于所述文本评价信息，生成辅导信息，其中，所述辅导信息包括与所述文本评价信息匹配的推荐词句。
3.根据权利要求2所述的方法，其中，所述文本评价模型包括以下至少一项：语法检测模型，拼写检测模型，高级词汇统计模型；以及
所述基于所述文本评价信息，生成辅导信息，包括：
从预设的文本素材库中检索与所述题目、所述内容关联的文本以及所述待评价文本相匹配的文本素材作为所述辅导信息。
4.根据权利要求1所述的方法，其中，所述试题信息还包括至少两个备选答案项，所述题目类型包括内容理解类；以及
所述基于所述内容关联的文本，利用与所述题目类型相匹配的方式，生成所述题目对应的辅导信息，包括：
利用预先训练的第一语言处理模型将所述题目、所述内容关联的文本和所述至少两个备选答案项转换为对应的词嵌入；
基于所述对应的词嵌入之间的匹配度，从所述至少两个备选答案项中选取答案项作为所述题目对应的辅导信息。
5.根据权利要求4所述的方法，其中，所述基于所述对应的词嵌入之间的匹配度，从所述至少两个备选答案项中选取答案项作为所述题目对应的辅导信息，包括：
根据所述题目对应的词嵌入与所述内容关联的文本对应的词嵌入之间的匹配度，确定所述内容关联的文本中是否存在与所述题目匹配的语句；
响应于确定存在，将所确定的匹配的语句确定为预期答案语句；以及基于所述预期答案语句对应的词嵌入与所述至少两个备选答案项对应的词嵌入之间的匹配度，从所述至少两个备选答案项中选取答案项作为所述题目对应的辅导信息。
6.根据权利要求5所述的方法，其中，所述基于所述对应的词嵌入之间的匹配度，从所述至少两个备选答案项中选取答案项作为所述题目对应的辅导信息，包括：
响应于确定不存在或所述预期答案语句对应的词嵌入与所述至少两个备选答案项对应的词嵌入之间最大的匹配度低于预设阈值，从预设的知识库中选取与所述内容关联的文本对应的词嵌入相匹配的文本作为目标文本；利用所述第一语言处理模型将所述目标文本转换为对应的词嵌入；基于综合匹配度，从所述至少两个备选答案项中选取答案项作为所述题目对应的辅导信息，其中，所述综合匹配度基于所述题目对应的词嵌入与所述至少两个备选答案项对应的词嵌入之间的第一匹配度和所述目标文本对应的词嵌入与所述至少两个备选答案项对应的词嵌入之间的第二匹配度而生成。
7.根据权利要求1所述的方法，其中，所述与题目内容关联的文本包括待补全的文本，所述试题信息还包括各待补全的空缺对应的至少两个备选答案项，所述题目类型包括完形填空类；以及
所述基于所述内容关联的文本，利用与所述题目类型相匹配的方式，生成所述题目对应的辅导信息，包括：
利用预先训练的第二语言处理模型将所述待补全的文本和所述至少两个备选答案项转换为对应的词嵌入；
对于各待补全的空缺中的空缺，将该空缺对应的至少两个备选答案项对应的词嵌入与所述待补全的文本对应的词嵌入进行连接；将连接后的各词嵌入输入至预先训练的分类器，得到连接后的各词嵌入对应的用于指示语义符合程度的得分；基于所得到的得分，从该空缺对应的至少两个备选答案项中选取得分最高的备选答案项作为所述题目对应的辅导信息。
8.根据权利要求1-7之一所述的方法，其中，所述获取试题信息包括：
获取针对试卷拍摄的图像作为试卷图像；
利用预先训练的旋转目标检测模型对所述试卷图像进行目标检测，确定试卷区域；
利用预先训练的基于显著性分类的区域分割模型对所述试卷区域进行划分，生成子试卷区域；
响应于检测到对所述子试卷区域的选取操作，对所述选取操作所指示的子试卷区域进行文字识别，生成所述试题信息；以及
所述方法还包括：
接收对所述辅导信息进行校正的校正信息；
基于所述校正信息，更新与所述校正信息对应的题目类型相匹配的方式。
9.一种用于生成试题辅导信息的装置，包括：
获取单元，被配置成获取试题信息，其中，所述试题信息包括题目和与所述题目内容关联的文本；
确定单元，被配置成确定所述试题信息所指示的试题所属于的题目类型；
生成单元，被配置成基于所述内容关联的文本，利用与所述题目类型相匹配的方式，生成所述题目对应的辅导信息。
10.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
11.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。
12.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011564534.9A CN112560431A (zh) | 2020-12-25 | 2020-12-25 | 用于生成试题辅导信息的方法、装置、设备、存储介质以及计算机程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011564534.9A CN112560431A (zh) | 2020-12-25 | 2020-12-25 | 用于生成试题辅导信息的方法、装置、设备、存储介质以及计算机程序产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112560431A true CN112560431A (zh) | 2021-03-26 |
Family
ID=75032496
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011564534.9A Pending CN112560431A (zh) | 2020-12-25 | 2020-12-25 | 用于生成试题辅导信息的方法、装置、设备、存储介质以及计算机程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112560431A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114172749A (zh) * | 2022-02-14 | 2022-03-11 | 北京百度网讯科技有限公司 | 一种试卷下载方法、装置、设备以及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108932508A (zh) * | 2018-08-13 | 2018-12-04 | 杭州大拿科技股份有限公司 | 一种题目智能识别、批改的方法和系统 |
| CN109493663A (zh) * | 2018-11-16 | 2019-03-19 | 苏州工业园区服务外包职业学院 | 一种基于信息技术的课外辅导系统和课外辅导方法 |
| CN111428021A (zh) * | 2020-06-05 | 2020-07-17 | 平安国际智慧城市科技股份有限公司 | 基于机器学习的文本处理方法、装置、计算机设备及介质 |
| CN111753767A (zh) * | 2020-06-29 | 2020-10-09 | 广东小天才科技有限公司 | 一种作业自动批改的方法、装置、电子设备和存储介质 |
| CN112002164A (zh) * | 2019-05-27 | 2020-11-27 | 广东小天才科技有限公司 | 作业辅导方法及装置、智能台灯、计算机可读存储介质 |
-
2020
- 2020-12-25 CN CN202011564534.9A patent/CN112560431A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108932508A (zh) * | 2018-08-13 | 2018-12-04 | 杭州大拿科技股份有限公司 | 一种题目智能识别、批改的方法和系统 |
| US20200090539A1 (en) * | 2018-08-13 | 2020-03-19 | Hangzhou Dana Technology Inc. | Method and system for intelligent identification and correction of questions |
| CN109493663A (zh) * | 2018-11-16 | 2019-03-19 | 苏州工业园区服务外包职业学院 | 一种基于信息技术的课外辅导系统和课外辅导方法 |
| CN112002164A (zh) * | 2019-05-27 | 2020-11-27 | 广东小天才科技有限公司 | 作业辅导方法及装置、智能台灯、计算机可读存储介质 |
| CN111428021A (zh) * | 2020-06-05 | 2020-07-17 | 平安国际智慧城市科技股份有限公司 | 基于机器学习的文本处理方法、装置、计算机设备及介质 |
| CN111753767A (zh) * | 2020-06-29 | 2020-10-09 | 广东小天才科技有限公司 | 一种作业自动批改的方法、装置、电子设备和存储介质 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114172749A (zh) * | 2022-02-14 | 2022-03-11 | 北京百度网讯科技有限公司 | 一种试卷下载方法、装置、设备以及存储介质 |
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 | |
| CN110489538B (zh) | 基于人工智能的语句应答方法、装置及电子设备 | |
| CN108287858B (zh) | 自然语言的语义提取方法及装置 | |
| US10176804B2 (en) | Analyzing textual data | |
| CN106534548B (zh) | 语音纠错方法和装置 | |
| CN111625635A (zh) | 问答处理、语言模型的训练方法、装置、设备及存储介质 | |
| CN110797010A (zh) | 基于人工智能的问答评分方法、装置、设备及存储介质 | |
| US11954594B1 (en) | Training recurrent neural networks to generate sequences | |
| CN111508497B (zh) | 语音识别方法、装置、电子设备及存储介质 | |
| CN114841164A (zh) | 一种实体链接方法、装置、设备及存储介质 | |
| CN112800177B (zh) | 基于复杂数据类型的faq知识库自动生成方法和装置 | |
| CN113282701B (zh) | 作文素材生成方法、装置、电子设备及可读存储介质 | |
| CN111046674A (zh) | 语义理解方法、装置、电子设备和存储介质 | |
| CN110852071B (zh) | 知识点检测方法、装置、设备及可读存储介质 | |
| CN116821290A (zh) | 面向多任务对话的大语言模型训练方法和交互方法 | |
| CN110647613A (zh) | 一种课件构建方法、装置、服务器和存储介质 | |
| CN114896382A (zh) | 人工智能问答模型生成方法、问答方法、装置及存储介质 | |
| CN114528840A (zh) | 融合上下文信息的中文实体识别方法、终端及存储介质 | |
| CN111782771B (zh) | 一种文字解题方法与装置 | |
| CN111125550A (zh) | 兴趣点分类方法、装置、设备及存储介质 | |
| CN112560431A (zh) | 用于生成试题辅导信息的方法、装置、设备、存储介质以及计算机程序产品 | |
| CN117370190A (zh) | 测试用例生成方法、装置、电子设备和存储介质 | |
| CN111462734A (zh) | 语义槽填充模型训练方法及系统 | |
| CN113205813B (zh) | 语音识别文本的纠错方法 | |
| US20160267811A1 (en) | Systems and methods for teaching foreign languages |
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 |