CN112612909B - 一种基于知识图谱的智能试卷质量评测方法 - Google Patents
一种基于知识图谱的智能试卷质量评测方法 Download PDFInfo
- Publication number
- CN112612909B CN112612909B CN202110011327.9A CN202110011327A CN112612909B CN 112612909 B CN112612909 B CN 112612909B CN 202110011327 A CN202110011327 A CN 202110011327A CN 112612909 B CN112612909 B CN 112612909B
- Authority
- CN
- China
- Prior art keywords
- test paper
- keywords
- knowledge
- difficulty
- phrase
- 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.)
- Active
Links
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
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/237—Lexical tools
- G06F40/242—Dictionaries
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开了一种基于知识图谱的智能试卷质量评测方法,同时采用第一分词算法(基于字符串匹配)和第二分词算法(基于学科词典和统计)对题目分别进行分词提取第一关键词和第二关键词,防止单一分词算法存在分词错误;根据关键词数据库中得到第一预设关键词和第二预设关键词,防止因不同出题人的用词习惯不同而使得提取的关键词不能全部与词组数据组中的关键词对应;根据若干第一预设关键词和若干第二预设关键词中相同的词作为基准关键词,根据该基准关键词缩小词组数据库中的词组数据组的数量,然后根据锁定的若干词组数据组中其他关键词确定题目中的关键词;若干目标词组与知识图谱进行匹配得到试卷质量信息。
Description
技术领域
本发明涉及试题智能管理技术领域,尤其是涉及一种基于知识图谱的智能试卷质量评测方法。
背景技术
在学习或工作阶段,考试是考察学生或员工能力的一种重要手段。一份好的试卷,其内容应涵盖大部分考点,其难度应与应试者的能力相适应。然而师资力量不同、学生资质不同和花费到学习上的时间不同等原因导致不同地区不同学生掌握知识点的情况不同,若无视差异按照传统出试卷的方式会导致考试效果不理想,不利于推动应试者进步,因此需要对试卷的知识点涵盖面积和难度进行评定。
发明内容
本发明的目的在于提供了一种可对试卷题目涵盖的知识点、题目之间的关联度和题目的难度的基于知识图谱的智能试卷质量评测方法。
为实现上述目的,本发明采取的技术方案为:一种基于知识图谱的智能试卷质量评测方法,包括构建知识图谱步骤、构建关键词数据库步骤、构建词组数据库步骤、关键词分词步骤、关键词确定步骤、词组确定步骤和试卷质量评定步骤;
所述构建知识图谱步骤,获取单门学科的知识点数据和历史试卷题目并根据历史试卷题目中各知识点数据之间的相关性将所述知识点数据排列成树状图形成知识图谱,所述知识图谱反映知识点内容、知识点的难度、知识点之间的关联程度;
所述构建关键词数据库步骤,设置若干单词数据组,所述单词数据组中存储有预设关键词和若干与所述预设关键词语义相近的近义词,所述预设关键词根据所述知识图谱中的知识点数据得到,若干单词数据组形成关键词数据库;
所述构建词组数据库步骤,设置若干词组数据组,所述词组数据组中存储有同种核心知识点中的若干关键词,不同词组数据组的核心知识点不同,所述词组数据组根据所述知识图谱中的知识点数据得到,若干所述词组数据组形成词组数据库;
所述关键词分词步骤,采用第一分词算法对题目进行分词处理提取得到若干第一关键词,所述第一分词算法基于字符串匹配进行分词,采用第二分词算法对题目再次进行分词处理提取得到若干第二关键词,所述第二分词算法基于学科词典和统计进行分词;
所述关键词确定步骤,将若干所述第一关键词和若干所述第二关键词在所述关键词数据库中分别匹配得到对应的若干预设关键词分别作为第一预设关键词和第二预设关键词;
所述词组确定步骤,获得若干第一预设关键词和若干第二预设关键词中相同的词作为基准关键词,根据所述基准关键词在所述词组数据库中确定若干词组数据组作为疑似词组,将与所述第二预设关键词不同的第一预设关键词、与所述第一预设关键词不同的第二预设关键词与所述疑似词组中的其他关键词进行匹配,将匹配度最高的疑似词组作为目标词组;
所述试卷质量评定步骤,根据试卷上的不同题目确定不同的目标词组,将若干所述目标词组与所述知识图谱进行匹配得到试卷质量信息,所述试卷质量信息反映试卷题目涵盖的知识点、题目之间的关联度和题目的难度。
作为优选,所述构建词组数据库步骤中所述词组数据组中相同的若干关键词分别作为条件和问题组合成不同的题目,不同的所述题目均匹配有对应的第一难度值;
所述词组确定步骤中根据所述目标词组确定题目中的关键词并根据题目语义确定条件关键词和问题关键词,根据所述条件关键词和问题关键词在所述目标词组中确定对应的题目并获得对应的第一难度值作为目标难度值;
所述试卷质量评定步骤中根据所述目标难度值得到更精确的题目的难度从而确定新的试卷质量信息。
作为优选,所述试卷质量评定步骤中将所述目标词组与所述知识图谱进行匹配得到词组涉及知识点数据和知识点数据之间的关联性分别作为目标知识信息和目标关联信息,根据不同目标词组的目标知识信息的重合度和目标关联信息得到更精确的题目的关联度从而确定新的试卷质量信息。
作为优选,所述构建关键词数据库步骤中与所述预设关键词语义相近的近义词从字典中获得。
作为优选,所述构建词组数据库步骤中所述词组数据组题目对应不同的题型存储有不同的第二难度值,所述第二难度值替换所述第一难度值作为新的第一难度值。
作为优选,所述试卷质量评测方法还包括难度修正步骤,所述难度修正步骤,获得试卷每道题目的实际得分率作为题目实际难度,根据题目实际难度修正所述构建词组数据库步骤中的所述第一难度值。
作为优选,所述试卷质量评测方法还包括难度修正步骤,所述难度修正步骤,获得试卷的实际得分率作为试卷实际难度,根据所述试卷实际难度修正所述试卷质量评定步骤中的所述试卷质量信息。
作为优选,所述难度修正步骤中获得试卷的实际得分率作为试卷实际难度,根据所述题目实际难度和所述试卷实际难度修正所述试卷质量评定步骤中的所述试卷质量信息。
作为优选,所述试卷质量评测方法还包括重点划分步骤,所述重点划分步骤,确定错误的题目并得到对应的知识点作为重点知识点。
作为优选,所述重点划分步骤中获得试卷中错误的题目的实际错误率,根据所述实际错误率对所述重点知识点进行排序。
与现有技术相比,本发明的有益效果为:
1、同时采用第一分词算法(基于字符串匹配)和第二分词算法(基于学科词典和统计)对题目分别进行分词提取第一关键词和第二关键词,防止单一分词算法存在分词错误;
2、根据提取的第一关键词和第二关键词在关键词数据库中得到第一预设关键词和第二预设关键词,防止因不同出题人的用词习惯不同而使得提取的第一关键词和第二关键词不能全部与词组数据组中的关键词对应,确保能全部识别题目中的关键词;
3、根据若干第一预设关键词和若干第二预设关键词中相同的词作为基准关键词,根据该基准关键词缩小词组数据库中的词组数据组的数量,然后根据锁定的若干词组数据组中其他关键词确定题目中的关键词,提高分词算法对题目分词的正确率;
4、若干目标词组与知识图谱进行匹配得到试卷质量信息,试卷质量信息反映试卷题目涵盖的知识点、题目之间的关联度和题目的难度。
附图说明
图1为基于知识图谱的智能试卷质量评测方法的流程图。
附图标记说明如下:011、构建知识图谱步骤;012、构建关键词数据库步骤;013、构建词组数据库步骤;014、关键词分词步骤;015、关键词确定步骤;016、词组确定步骤;017、试卷质量评定步骤。
具体实施方式
下面结合附图和实施例,对本发明进一步详细说明。
实施例1:
如图1所示,一种基于知识图谱的智能试卷质量评测方法,包括构建知识图谱步骤011、构建关键词数据库步骤012、构建词组数据库步骤013、关键词分词步骤014、关键词确定步骤015、词组确定步骤016和试卷质量评定步骤;
所述构建知识图谱步骤011,获取单门学科的知识点数据和历史试卷题目并根据历史试卷题目中各知识点数据之间的相关性将所述知识点数据排列成树状图形成知识图谱,所述知识图谱反映知识点内容、知识点的难度、知识点之间的关联程度;
所述构建关键词数据库步骤012,设置若干单词数据组,所述单词数据组中存储有预设关键词和若干与所述预设关键词语义相近的近义词,所述预设关键词根据所述知识图谱中的知识点数据得到,若干单词数据组形成关键词数据库;
所述构建词组数据库步骤013,设置若干词组数据组,所述词组数据组中存储有同种核心知识点中的若干关键词,不同词组数据组的核心知识点不同,所述词组数据组根据所述知识图谱中的知识点数据得到,若干所述词组数据组形成词组数据库;
所述关键词分词步骤014,采用第一分词算法对题目进行分词处理提取得到若干第一关键词,所述第一分词算法基于字符串匹配进行分词,采用第二分词算法对题目再次进行分词处理提取得到若干第二关键词,所述第二分词算法基于学科词典和统计进行分词;
所述关键词确定步骤015,将若干所述第一关键词和若干所述第二关键词在所述关键词数据库中分别匹配得到对应的若干预设关键词分别作为第一预设关键词和第二预设关键词;
所述词组确定步骤016,获得若干第一预设关键词和若干第二预设关键词中相同的词作为基准关键词,根据所述基准关键词在所述词组数据库中确定若干词组数据组作为疑似词组,将与所述第二预设关键词不同的第一预设关键词、与所述第一预设关键词不同的第二预设关键词与所述疑似词组中的其他关键词进行匹配,将匹配度最高的疑似词组作为目标词组;
所述试卷质量评定步骤,根据试卷上的不同题目确定不同的目标词组,将若干所述目标词组与所述知识图谱进行匹配得到试卷质量信息,所述试卷质量信息反映试卷题目涵盖的知识点、题目之间的关联度和题目的难度。
同时采用第一分词算法(基于字符串匹配)和第二分词算法(基于学科词典和统计)对题目分别进行分词提取第一关键词和第二关键词,防止单一分词算法存在分词错误;根据提取的第一关键词和第二关键词在关键词数据库中得到第一预设关键词和第二预设关键词,防止因不同出题人的用词习惯不同而使得提取的第一关键词和第二关键词不能全部与词组数据组中的关键词对应,确保能全部识别题目中的关键词;根据若干第一预设关键词和若干第二预设关键词中相同的词作为基准关键词,根据该基准关键词缩小词组数据库中的词组数据组的数量,然后根据锁定的若干词组数据组中其他关键词确定题目中的关键词,提高分词算法对题目分词的正确率;若干目标词组与知识图谱进行匹配得到试卷质量信息,试卷质量信息反映试卷题目涵盖的知识点、题目之间的关联度和题目的难度。
所述构建词组数据库步骤013中所述词组数据组中相同的若干关键词分别作为条件和问题组合成不同的题目,不同的所述题目均匹配有对应的第一难度值;
所述词组确定步骤016中根据所述目标词组确定题目中的关键词并根据题目语义确定条件关键词和问题关键词,根据所述条件关键词和问题关键词在所述目标词组中确定对应的题目并获得对应的第一难度值作为目标难度值;
所述试卷质量评定步骤中根据所述目标难度值得到更精确的题目的难度从而确定新的试卷质量信息。
所述试卷质量评定步骤中将所述目标词组与所述知识图谱进行匹配得到词组涉及知识点数据和知识点数据之间的关联性分别作为目标知识信息和目标关联信息,根据不同目标词组的目标知识信息的重合度和目标关联信息得到更精确的题目的关联度从而确定新的试卷质量信息。
所述构建关键词数据库步骤012中与所述预设关键词语义相近的近义词从字典中获得。
实施例2:
与实施例1的不同之处在于:所述构建词组数据库步骤013中所述词组数据组题目对应不同的题型存储有不同的第二难度值,所述第二难度值替换所述第一难度值作为新的第一难度值。
实施例3:
与实施例1的不同之处在于:所述试卷质量评测方法还包括难度修正步骤,所述难度修正步骤,获得试卷每道题目的实际得分率作为题目实际难度,根据题目实际难度修正所述构建词组数据库步骤013中的所述第一难度值。
实施例4:
与实施例1的不同之处在于:所述试卷质量评测方法还包括难度修正步骤,所述难度修正步骤,获得试卷的实际得分率作为试卷实际难度,根据所述试卷实际难度修正所述试卷质量评定步骤中的所述试卷质量信息。
实施例5:
与实施例2的不同之处在于:所述难度修正步骤中获得试卷的实际得分率作为试卷实际难度,根据所述题目实际难度和所述试卷实际难度修正所述试卷质量评定步骤中的所述试卷质量信息。
实施例6:
与实施例1的不同之处在于:所述试卷质量评测方法还包括重点划分步骤,所述重点划分步骤,确定错误的题目并得到对应的知识点作为重点知识点。获得试卷中错误的题目的实际错误率,根据所述实际错误率对所述重点知识点进行排序。
以上对本发明的一个实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (8)
1.一种基于知识图谱的智能试卷质量评测方法,其特征在于包括构建知识图谱步骤(011)、构建关键词数据库步骤(012)、构建词组数据库步骤(013)、关键词分词步骤(014)、关键词确定步骤(015)、词组确定步骤(016)和试卷质量评定步骤;
所述构建知识图谱步骤(011),获取单门学科的知识点数据和历史试卷题目并根据历史试卷题目中各知识点数据之间的相关性将所述知识点数据排列成树状图形成知识图谱,所述知识图谱反映知识点内容、知识点的难度、知识点之间的关联程度;
所述构建关键词数据库步骤(012),设置若干单词数据组,所述单词数据组中存储有预设关键词和若干与所述预设关键词语义相近的近义词,所述预设关键词根据所述知识图谱中的知识点数据得到,若干单词数据组形成关键词数据库;
所述构建词组数据库步骤(013),设置若干词组数据组,所述词组数据组中存储有同种核心知识点中的若干关键词,不同词组数据组的核心知识点不同,所述词组数据组根据所述知识图谱中的知识点数据得到,若干所述词组数据组形成词组数据库;
所述关键词分词步骤(014),采用第一分词算法对题目进行分词处理提取得到若干第一关键词,所述第一分词算法基于字符串匹配进行分词,采用第二分词算法对题目再次进行分词处理提取得到若干第二关键词,所述第二分词算法基于学科词典和统计进行分词;
所述关键词确定步骤(015),将若干所述第一关键词和若干所述第二关键词在所述关键词数据库中分别匹配得到对应的若干预设关键词分别作为第一预设关键词和第二预设关键词;
所述词组确定步骤(016),获得若干第一预设关键词和若干第二预设关键词中相同的词作为基准关键词,根据所述基准关键词在所述词组数据库中确定若干词组数据组作为疑似词组,将与所述第二预设关键词不同的第一预设关键词、与所述第一预设关键词不同的第二预设关键词与所述疑似词组中的其他关键词进行匹配,将匹配度最高的疑似词组作为目标词组;
所述试卷质量评定步骤,根据试卷上的不同题目确定不同的目标词组,将若干所述目标词组与所述知识图谱进行匹配得到试卷质量信息,所述试卷质量信息反映试卷题目涵盖的知识点、题目之间的关联度和题目的难度;
所述构建词组数据库步骤(013)中所述词组数据组中相同的若干关键词分别作为条件和问题组合成不同的题目,不同的所述题目均匹配有对应的第一难度值;
所述词组确定步骤(016)中根据所述目标词组确定题目中的关键词并根据题目语义确定条件关键词和问题关键词,根据所述条件关键词和问题关键词在所述目标词组中确定对应的题目并获得对应的第一难度值作为目标难度值;
所述试卷质量评定步骤中根据所述目标难度值得到更精确的题目的难度从而确定新的试卷质量信息;
所述试卷质量评定步骤中将所述目标词组与所述知识图谱进行匹配得到词组涉及知识点数据和知识点数据之间的关联性分别作为目标知识信息和目标关联信息,根据不同目标词组的目标知识信息的重合度和目标关联信息得到更精确的题目的关联度从而确定新的试卷质量信息。
2.根据权利要求1所述的一种基于知识图谱的智能试卷质量评测方法,其特征在于,所述构建关键词数据库步骤(012)中与所述预设关键词语义相近的近义词从字典中获得。
3.根据权利要求2所述的一种基于知识图谱的智能试卷质量评测方法,其特征在于,所述构建词组数据库步骤(013)中所述词组数据组题目对应不同的题型存储有不同的第二难度值,所述第二难度值替换所述第一难度值作为新的第一难度值。
4.根据权利要求2或3所述的一种基于知识图谱的智能试卷质量评测方法,其特征在于,所述试卷质量评测方法还包括难度修正步骤,所述难度修正步骤,获得试卷每道题目的实际得分率作为题目实际难度,根据题目实际难度修正所述构建词组数据库步骤(013)中的所述第一难度值。
5.根据权利要求1所述的一种基于知识图谱的智能试卷质量评测方法,其特征在于,所述试卷质量评测方法还包括难度修正步骤,所述难度修正步骤,获得试卷的实际得分率作为试卷实际难度,根据所述试卷实际难度修正所述试卷质量评定步骤中的所述试卷质量信息。
6.根据权利要求4所述的一种基于知识图谱的智能试卷质量评测方法,其特征在于,所述难度修正步骤中获得试卷的实际得分率作为试卷实际难度,根据所述题目实际难度和所述试卷实际难度修正所述试卷质量评定步骤中的所述试卷质量信息。
7.根据权利要求1所述的一种基于知识图谱的智能试卷质量评测方法,其特征在于,所述试卷质量评测方法还包括重点划分步骤,所述重点划分步骤,确定错误的题目并得到对应的知识点作为重点知识点。
8.根据权利要求7所述的一种基于知识图谱的智能试卷质量评测方法,其特征在于,所述重点划分步骤中获得试卷中错误的题目的实际错误率,根据所述实际错误率对所述重点知识点进行排序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110011327.9A CN112612909B (zh) | 2021-01-06 | 2021-01-06 | 一种基于知识图谱的智能试卷质量评测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110011327.9A CN112612909B (zh) | 2021-01-06 | 2021-01-06 | 一种基于知识图谱的智能试卷质量评测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112612909A CN112612909A (zh) | 2021-04-06 |
CN112612909B true CN112612909B (zh) | 2022-06-07 |
Family
ID=75254073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110011327.9A Active CN112612909B (zh) | 2021-01-06 | 2021-01-06 | 一种基于知识图谱的智能试卷质量评测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112612909B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116597461B (zh) * | 2023-07-14 | 2023-09-22 | 广东信聚丰科技股份有限公司 | 基于人工智能的题目知识点关联方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310463A (zh) * | 2020-02-10 | 2020-06-19 | 清华大学 | 试题难度预估方法、装置、电子设备和存储介质 |
CN111831831A (zh) * | 2020-07-17 | 2020-10-27 | 广东金融学院 | 一种基于知识图谱的个性化学习平台及其构建方法 |
CN112131407A (zh) * | 2020-09-29 | 2020-12-25 | 四川宇德中创信息科技有限公司 | 一种基于知识图谱的智能组卷系统及方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10073763B1 (en) * | 2017-12-27 | 2018-09-11 | Accenture Global Solutions Limited | Touchless testing platform |
US20200202226A1 (en) * | 2018-12-20 | 2020-06-25 | Fuji Xerox Co., Ltd. | System and method for context based deep knowledge tracing |
-
2021
- 2021-01-06 CN CN202110011327.9A patent/CN112612909B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111310463A (zh) * | 2020-02-10 | 2020-06-19 | 清华大学 | 试题难度预估方法、装置、电子设备和存储介质 |
CN111831831A (zh) * | 2020-07-17 | 2020-10-27 | 广东金融学院 | 一种基于知识图谱的个性化学习平台及其构建方法 |
CN112131407A (zh) * | 2020-09-29 | 2020-12-25 | 四川宇德中创信息科技有限公司 | 一种基于知识图谱的智能组卷系统及方法 |
Non-Patent Citations (2)
Title |
---|
牟建明.自适应学习的高中数学智能题库系统.《中国优秀博硕士学位论文全文数据库(硕士)》.2019, * |
郭崇慧等.一种基于集成学习的试题多知识点标注方法.《运筹与管理》.2020, * |
Also Published As
Publication number | Publication date |
---|---|
CN112612909A (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20080126319A1 (en) | Automated short free-text scoring method and system | |
US11790166B2 (en) | Quality assessment method for automatic annotation of speech data | |
CN105824798A (zh) | 基于试题关键字相似性的试题库中的试题去重方法 | |
CN111737968A (zh) | 一种作文自动批改及评分的方法及终端 | |
CN116263782A (zh) | 一种基于题库的智能组卷方法、系统及存储介质 | |
CN105117398A (zh) | 一种基于众包的软件开发问题自动应答方法 | |
CN114519351A (zh) | 一种基于用户意图嵌入图谱学习的主题文本快速检测方法 | |
CN112612909B (zh) | 一种基于知识图谱的智能试卷质量评测方法 | |
US6804637B1 (en) | Method, apparatus, and recording medium for retrieving optimum template pattern | |
JP2021530066A (ja) | 暗算問題に対する問題添削方法、装置、電子機器及び記憶媒体 | |
CN113626573A (zh) | 一种销售会话异议及应对提取方法及系统 | |
CN111104503A (zh) | 一种建筑工程质量验收规范问答系统及其构建方法 | |
CN112214579B (zh) | 简答题的机器智能评阅方法及系统 | |
US20030195740A1 (en) | Translation evaluation using optimum template pattern determination method | |
CN115438152B (zh) | 一种基于多神经网络与知识图谱的简答题评分方法及系统 | |
CN106548787A (zh) | 优化生词的评测方法及评测系统 | |
CN111767743B (zh) | 翻译试题的机器智能评阅方法及系统 | |
US6598019B1 (en) | Evaluation method, apparatus, and recording medium using optimum template pattern determination method, apparatus and optimum template pattern | |
CN114818741A (zh) | 一种用于在线教育的陪练纠错方法及装置 | |
CN113627722A (zh) | 基于关键字分词的简答题评分方法、终端及可读存储介质 | |
Chang et al. | TREC 2003 Question Answering Track at CAS-ICT. | |
CN113823326A (zh) | 一种高效语音关键词检测器训练样本使用方法 | |
CN112164262A (zh) | 一种智能阅卷辅导系统 | |
Bernard et al. | The limsi participation in the qast 2009 track: experimenting on answer scoring | |
CN111708951A (zh) | 一种试题推荐方法及装置 |
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 |