CN112785887A - 一种基于教师背景的在线教育互动系统及方法 - Google Patents
一种基于教师背景的在线教育互动系统及方法 Download PDFInfo
- Publication number
- CN112785887A CN112785887A CN202011633466.7A CN202011633466A CN112785887A CN 112785887 A CN112785887 A CN 112785887A CN 202011633466 A CN202011633466 A CN 202011633466A CN 112785887 A CN112785887 A CN 112785887A
- Authority
- CN
- China
- Prior art keywords
- teacher
- interaction
- user
- scene mode
- background
- 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
- 230000003993 interaction Effects 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000002452 interceptive effect Effects 0.000 claims abstract description 34
- 239000013598 vector Substances 0.000 claims description 35
- 101150054987 ChAT gene Proteins 0.000 claims description 28
- 101100203187 Mus musculus Sh2d3c gene Proteins 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 18
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G09B5/00—Electrically-operated educational appliances
- G09B5/08—Electrically-operated educational appliances providing for individual presentation of information to a plurality of student stations
- G09B5/14—Electrically-operated educational appliances providing for individual presentation of information to a plurality of student stations with provision for individual teacher-student communication
-
- 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
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- 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
- 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
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Human Computer Interaction (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Animal Behavior & Ethology (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明提供了一种基于教师背景的在线教育互动系统及方法,包括:用户意图识别模块,用于根据用户输入的文字\语音信息,识别用户聊天意图;场景提供模块,用于根据用户意图识别模块识别的用户聊天意图提供对应的互动场景模式;其中,当所述用户意图识别模块识别的用户聊天意图为获取某一教师背景信息时,所述场景提供模块提供基于教师背景模型的教师背景信息互动场景模式。
Description
技术领域
本发明涉及智能化、个性化的教学领域,尤其涉及基于教师背景的在线教育互动系统及方法。
背景技术
在线教育的普及,改善了教育资源不均衡的问题;同时,结合数字虚拟人合成和智能交互技术,可以轻松实现一对一在线教学,让学生根据自身时间安排学习计划,将进一步提升少年儿童在接受教育过程中的学习兴趣与专注程度,大大提升少年儿童的学习效率。
目前解决虚拟老师智能交互主要采用基于检索模型和生成式模型等方式。检索模型所使用的回复数据通常是预先存储且事先定义的数据,虽然回复的答案可控但却无法处理长尾问题,且无法创造新的回复。生成式模型,尤其是在开放域多轮对话场景中,没有有效的机制来管理聊天主题,往往会产生上下文矛盾的对话结果。
因此,目前亟需一种基于教师背景的在线教育互动系统及方法为了解决在少儿教育智能教学互动过程中,出现教师背景信息在多轮对话中的前后矛盾问题。
发明内容
本发明的目的在于提供基于教师背景的少儿教育在线交互一致性研究方法,根据在线教学互动可能涉及的交互内容,涉及三个不同的交互场景,提升用户的体验和用户的学习兴趣,提高学习效率。
本申请提供一种基于教师背景的在线教育互动系统,包括:
用户意图识别模块,用于根据用户输入的信息,识别用户聊天意图;
场景提供模块,用于根据用户意图识别模块识别的用户聊天意图提供对应的互动场景模式;
由上,根据用户输入的信息包括文字、语音及视频信息,识别用户聊天意图,根据所述用户聊天意图,提供对应的互动场景模式,例如,当所述场景提供模块用户意图识别模块识别的用户聊天意图为获取某一教师背景信息时,所述场景提供模块提供基于教师背景模型的教师背景信息互动场景模式。
优选地,所述系统,还包括:
教师语料数据构建子模块,用于收集关于对不同教师背景信息的问答对话的语料数据,并将其分别存储在不同的教师背景信息语料库中;
教师背景模型,利用神经网络模型BERT和Transformer模型,通过增加教师背景向量进行训练,构建基于不同教师背景信息的教师背景模型,以搭建基于教师背景模型的生成式聊天机器人应用于教师背景信息互动场景。
提出基于教师背景的少儿教育在线交互一致性研究方法,通过在模型训练过程中增加教师背景向量,在生成问题的过程中,添加经过训练的教师背景向量,促使生成前后一致的回复。
优选地,所述场景提供模块提供的互动场景模式包括:
教师背景信息互动场景模式、专业知识问答互动场景模式、闲聊互动场景模式。
优选地,所述系统,还包括:
专业知识图谱搭建子模块,用于针对每一门课程,根据教程教案建立对应每一门课程的学科知识点图谱,并存储在neo4j图数据库中,将其应用于专业知识问答互动场景。
优选地,所述系统,还包括:
闲聊型机器人构建子模块,用于根据开源的ParlAI对话框架,利用Dialogue NLI数据集作为模型训练集,搭建开放域的生成式闲聊型机器人。
本申请还提供一种基于教师背景的在线教育互动方法,前述所述的系统,包括步骤:
A、根据用户输入的文字\语音信息识别用户聊天意图;
B、根据用户意图识别模块识别的用户聊天意图为其提供对应的互动场景模式;
其中,当所述用户意图识别模块识别的用户聊天意图为获取某一教师背景信息时,所述场景提供模块提供基于教师背景模型的对应教师背景信息互动场景模型。
优选地,所述场景提供模块提供的互动场景模式包括:
教师背景信息互动场景模式、专业知识问答互动场景模式、闲聊互动场景模式;
其中,所述步骤A之前还包括构建:教师背景信息互动场景模式、专业知识问答互动场景模式、闲聊互动场景模式。
优选地,所述教师背景信息互动场景模式的获取方法包括:
N1、收集关于对不同教师背景信息的问答对话的语料数据,并将其分别存储在不同教师的教师背景信息语料库中;
N2、利用神经网络模型BERT和Transformer模型,通过增加教师背景向量进行训练,构建基于不同教师背景信息的教师背景模型,以构建基于教师背景模型的生成式聊天机器人应用于教师背景信息互动场景模式。
优选地,所述专业知识问答互动场景模式的获取方法包括:
针对每一门课程,根据教程教案建立对应每一门课程的学科知识点图谱,并存储在neo4j图数据库中,将其应用于专业知识问答互动场景。
优选地,所述闲聊互动场景模式的获取方法包括:
根据开源的ParlAI对话框架,利用Dialogue NLI数据集作为模型训练集,构建开放域的生成式闲聊型机器人应用于闲聊互动场景模式。
优选地,在所述问答和引导场景下,与所述虚拟教师的交互中,虚拟教师给出答案时,采用深度神经网络对问题结合虚拟教师的背景信息生成所述给出的答案。
由上,可以实现当采用不同的虚拟教师角色时,相同的问题的答案会有所变化,使得用户选择对不同背景的虚拟教师时,能得到更多样性的问答答案,增强了教学的趣味性、多样性。该背景可以是知识背景,如教授级数学背景,如针对小学级别的数学教学背景,作文专家背景等、英语留学背景等。
在一实施例中,所述深度神经网络为基于GRU的循环神经网络,其中,
rt=δ(Wr·[ht-1,xt,Ti])
zt=δ(Wz·[ht-1,xt,Ti])
综上所述,本申请提供的基于教师背景的少儿教育在线交互对话一致性研究方法,解决在少儿教育智能教学互动过程中,出现教师背景信息在多轮对话中的前后矛盾问题。
附图说明
以下结合附图和具体实施方式对本申请做进一步详细说明;
图1为本申请基于教师背景的在线教育交互对话一致性研究示意图;
图2为本申请基于教师背景的模型结构图;
图3为本申请GRU的示意图;
图4为本申请为本申请计算设备的结构性示意性图。
具体实施方式
下面将结合本申请实施例中的附图对本申请进行说明。
本申请的目的在于提供一种基于教师背景的在线教育互动系统及方法,以解决在少儿教育智能教学互动过程中,出现教师背景信息在多轮对话中的前后矛盾问题。
实施例一
本申请提供一种基于教师背景的在线教育互动系统,包括:
用户意图识别模块,用于根据用户输入的信息,识别用户聊天意图。其中,用户输入的信息可以是文字,语音或者是视频。例如将用户意图识别转为文本分类问题进行处理,采用基于传统机器学习的分类模型进行用户意图识别。对整理的文本数据进行预处理,然后通过TF-IDF算法计算获得文本特征,最后输入到随机森林模型进行训练。
在线场景互动模块,用于根据所述用户聊天意图提供对应的互动场景模式,以使得用户在所述对应的互动场景模式进行在线互动。例如多轮对话过程中,识别用户意图后,匹配到对应的场景中,反馈给用户最佳回复。本申请提供根据接收的用户的问题生成反馈信息,展示给用户,实现与用户的内容的互动。其中,展示给用户的方式可以是文字、语音等,该互动模块相当于是虚拟教师角色向用户反馈的文字或语音等。其中,接收的用户的问题可以是用户通过键盘输入的文字信息,或通过麦克风进行输入的语音信息,并且为了便于处理,可以将该语音信息转换为文字信息。
其中,所述互动场景模式包括:
教师背景信息互动场景模式、专业知识问答互动场景模式、闲聊互动场景模式。在一实施例中,具体实现方式可以为:结合深度神经网络、知识图谱和聊天机器人技术构建在线交互模型,通过该模型针对用户的提问进行意图识别,根据用户意图及当期的场景生成反馈信息进行,实现与用户的在线交互。在一实施例中,在面向少儿教育的互动场景中,可以构建三个场景:与教师交流的场景、专业知识问答场景和闲聊场景这三个场景。针对不同场景下的在线交互模型的构建时,可以使用不同训练集训练得到的不同的深度神经网络,或使用具有不同节点或关系的知识图谱。
其中,所述在线场景互动模块包括:
教师语料数据构建子模块,用于收集关于对不同教师背景信息的问答对话的语料数据,并将其分别存储在不同的教师背景信息语料库中;
教师背景模型构建子模块,根据所述教师语料数据构建子模块构建的语料数据,利用神经网络模型,通过增加教师背景向量进行训练,构建基于不同教师背景信息的教师背景模型,以搭建基于教师背景模型的生成式聊天机器人应用于教师背景信息互动场景模式。
具体的,例如利用BERT和Transformer模型,通过增加教师背景向量,搭建基于教师背景的生成式ChatBot。模型测试时,根据用户端选定的教师,在解码端的每个时间步加入已训练的选定教师背景向量,在关于教师背景信息的多轮互动过程中可以产生一致性的回复。例如提问关于虚拟AI教师的性别、年龄、名字、喜欢的颜色、运动等,通过训练教师背景向量,建立虚拟教师的人物背景画像,在多轮对话过程中保证前后一致性。
例如,初始化教师背景向量Ti,每一个Ti代表一个教师的背景向量,向量长度与词向量长度一致,假设长度为K。每个背景向量包含不同条件背景下的特征,如时间、地点和人物等。每个人的背景信息都具有极其丰富的特点,直接用数值的方式表达具有一定的困难,所以传统的机器学习特征工程的方法不能适用。利用神经网络对话训练过程,学习每个教师的背景向量,再解码过程中将初始化的教师背景向量Ti与输入进行拼接,训练背景向量。
又例如,在与教师交流的交互过程中,构建了深度神经网络实现该交互。该与教师交流的场景可用于后续的问答和引导场景中。在一实施例中,该深度神经网络采用编码器-解码器(Encoder-Decoder)网络结构,由编码器对输入编码,生成上下文向量c,然后由解码器输出。其中,具体为:接收用户所输入的问题的语句,转化为对应语句的各词向量xt输入该网络,经编码器编码为上下文向量c,然后,该上下文向量c作为解码器的输入,经解码器输出各词向量,再转换为对应的各词,由各词所构成的语句,即为虚拟交互过程中教师所要输出语句。上述语句可以以文字形式显示,也可以转化为语音方式播放,以适配所设计的交互场景(文字交互场景,或语音交互场景),通过该网络,实现了用户与虚拟教师角色的交互。并且,为了增强在交互过程中,教师背景信息的一致性,在解码器端增加教师背景向量输入序列Ti,通过训练整个对话过程学习教师背景。其中,该深度神经网络可以是RNN、LSTM或GRU等,下面参见图3示出的GRU为例对此进行说明:
rt=δ(Wr·[ht-1,xt,Ti])
zt=δ(Wz·[ht-1,xt,Ti])
其中,rt表示GRU单元中的重置门。表示的是候选隐藏层。zt代表更新门。ht是最后输出的隐藏层信息。Ti是添加的教师背景向量,可以与xt级联输入GRU单元。该图3示出例子中,将教师背景向量输入序列Ti作为各GRU单元的输入之一,训练过程中,可以训练出交互的问题-答案对中的答案与设定的教师的背景相关,从而,可以实现当采用不同的虚拟教师角色时,相同的问题的答案会有所变化。该背景可以是知识背景,如教授级数学背景,如针对小学级别的数学教学背景,作文专家背景等、英语留学背景等。
在另一个实施例中,采用的GRU时,教师的背景向量序列Ti,也可以作为解码器的h0的输入之一,即如下所示:
rt=δ(Wr·[ht-1,xt])
zt=δ(Wz·[ht-1,xt])
h0=[c,Ti]
其中,c是编码器输出的上下文向量,连同教师背景向量输入序列Ti的向量作为解码器的h0输入解码器,可以采用c与Ti级联的方式输入。其他参数含义与上相同,不再赘述。
其中,所述在线场景互动模块,还包括:
专业知识图谱搭建子模块,用于针对每一门课程,根据教程教案建立对应每一门课程的学科知识点的专业知识图谱,并存储在图数据库中,将其应用于专业知识问答互动场景。具体地,在专业知识问答场景中,可以预先建立以不同的学科知识点为节点,分析和抽取知识点之间的关联,建立专业学科知识图谱搭建专业学科知识图谱,从而实现该问答场景。
例如针对每一门课程,根据教程教案建立对应的学科知识点图谱,存储在neo4j图数据库中。例如建立古诗词知识图谱,以诗词、诗人和诗句为实体作为节点文件,诗人与作品,诗名与诗句等关系,搭建古诗词知识图谱。
其中,所述在线场景互动模块,还包括:
闲聊型机器人构建子模块,用于搭建开放域的生成式闲聊型机器人。
具体地,在闲聊型场景中,可以通过ParlAI对话框架,搭建聊天对话机器人。其中,可以利用Dialogue NLI数据集作为闲聊型聊天任务训练集训练该场景的模型,该数据集是一个用来处理对话模型一致性问题的数据集。
实施例二
本申请提供一种基于教师背景的在线教育互动方法,基于实施例一所提供的系统,具体内容对应实施例一所述,在此不再赘述,所述方法包括步骤:
S201,根据用户输入的信息识别用户聊天意图;
S202,根据用户意图识别模块识别的用户聊天意图为其提供对应的互动场景模式。
其中,所述场景提供模块提供的互动场景模式包括:
教师背景信息互动场景模式、专业知识问答互动场景模式、闲聊互动场景模式。
其中,所述步骤S201之前,还包括步骤:
N1、收集关于对不同教师背景信息的问答对话的语料数据,并将其分别存储在不同教师的教师背景信息语料库中;
N2、利用神经网络模型模型,通过增加教师背景向量进行训练,构建基于不同教师背景信息的教师背景模型,以构建基于教师背景模型的生成式聊天机器人应用于教师背景信息互动场景模式。
其中,所述步骤S201之前,还包括步骤:
针对每一门课程,根据教程教案建立对应每一门课程的学科知识点图谱,并存储在图数据库中,将其应用于专业知识问答互动场景模式。
其中,所述步骤S201之前,还包括步骤:
构建开放域的生成式闲聊型机器人应用于闲聊互动场景模式。
综上所述,本申请提供的基于教师背景的少儿教育在线交互对话一致性研究方法,解决在少儿教育智能教学互动过程中,出现教师背景信息在多轮对话中的前后矛盾问题。
图4是本申请实施例提供的一种计算设备1500的结构性示意性图。该计算设备1500包括:处理器1510、存储器1520、通信接口1530、总线1540。
应理解,图4所示的计算设备1500中的通信接口1530可以用于与其他设备之间进行通信。
其中,该处理器1510可以与存储器1520连接。该存储器1520可以用于存储该程序代码和数据。因此,该存储器1520可以是处理器1510内部的存储单元,也可以是与处理器1510独立的外部存储单元,还可以是包括处理器1510内部的存储单元和与处理器1510独立的外部存储单元的部件。
可选的,计算设备1500还可以包括总线1540。其中,存储器1520、通信接口1530可以通过总线1540与处理器1510连接。总线1540可以是外设部件互连标准(PeripheralComponent Interconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。所述总线1540可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一条线表示,但并不表示仅有一根总线或一种类型的总线。
应理解,在本申请实施例中,该处理器1510可以采用中央处理单元(centralprocessing unit,CPU)。该处理器还可以是其它通用处理器、数字信号处理器(digitalsignal processor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现成可编程门阵列(field programmable gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。或者该处理器1510采用一个或多个集成电路,用于执行相关程序,以实现本申请实施例所提供的技术方案。
该存储器1520可以包括只读存储器和随机存取存储器,并向处理器1510提供指令和数据。处理器1510的一部分还可以包括非易失性随机存取存储器。例如,处理器1510还可以存储设备类型的信息。
在计算设备1500运行时,所述处理器1510执行所述存储器1520中的计算机执行指令执行上述方法的操作步骤。
应理解,根据本申请实施例的计算设备1500可以对应于执行根据本申请各实施例的方法中的相应主体,并且计算设备1500中的各个模块的上述和其它操作和/或功能分别为了实现本实施例各方法的相应流程,为了简洁,在此不再赘述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请实施例还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用于执行一种多样化问题生成方法,该方法包括上述各个实施例所描述的方案中的至少之一。
本申请实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是,但不限于,电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括、但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本申请的较佳实施例及所运用的技术原理。本领域技术人员会理解,本申请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申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请的构思的情况下,还可以包括更多其他等效实施例,均属于本申请的保护范畴。
Claims (10)
1.一种基于教师背景的在线教育互动系统,其特征在于,包括:
用户意图识别模块,用于根据用户输入的信息,识别用户聊天意图;
在线场景互动模块,用于根据所述用户聊天意图提供对应的互动场景模式,以使得用户在所述对应的互动场景模式进行在线互动。
2.根据权利要求1所述的系统,其特征在于,所述互动场景模式包括:
教师背景信息互动场景模式、专业知识问答互动场景模式、闲聊互动场景模式。
3.根据权利要求2所述的系统,其特征在于,所述在线场景互动模块包括:
教师语料数据构建子模块,用于收集关于对不同教师背景信息的问答对话的语料数据,并将其分别存储在不同的教师背景信息语料库中;
教师背景模型构建子模块,根据所述教师语料数据构建子模块构建的语料数据,利用神经网络模型,通过增加教师背景向量进行训练,构建基于不同教师背景信息的教师背景模型,以搭建基于教师背景模型的生成式聊天机器人应用于教师背景信息互动场景模式。
4.根据权利要求3所述的系统,其特征在于,所述在线场景互动模块,还包括:
专业知识图谱搭建子模块,用于针对每一门课程,根据教程教案建立对应每一门课程的学科知识点的专业知识图谱,并存储在图数据库中,将其应用于专业知识问答互动场景。
5.根据权利要求3或4所述的系统,其特征在于,所述在线场景互动模块,还包括:
闲聊型机器人构建子模块,用于搭建开放域的生成式闲聊型机器人。
6.一种基于教师背景的在线教育互动方法,其特征在于,基于权利要求1-5任一项所述的系统,包括步骤:
A、根据用户输入的信息识别用户聊天意图;
B、根据用户意图识别模块识别的用户聊天意图为其提供对应的互动场景模式。
7.根据权利要求6所述的方法,其特征在于,所述场景提供模块提供的互动场景模式包括:
教师背景信息互动场景模式、专业知识问答互动场景模式、闲聊互动场景模式。
8.根据权利要求6所述的方法,其特征在于,所述步骤A之前,还包括步骤:
N1、收集关于对不同教师背景信息的问答对话的语料数据,并将其分别存储在不同教师的教师背景信息语料库中;
N2、利用神经网络模型模型,通过增加教师背景向量进行训练,构建基于不同教师背景信息的教师背景模型,以构建基于教师背景模型的生成式聊天机器人应用于教师背景信息互动场景模式。
9.根据权利要求7所述的方法,其特征在于,所述步骤A之前,还包括步骤:
针对每一门课程,根据教程教案建立对应每一门课程的学科知识点图谱,并存储在图数据库中,将其应用于专业知识问答互动场景模式。
10.根据权利要求7所述的方法,其特征在于,所述步骤A之前,还包括步骤:
构建开放域的生成式闲聊型机器人应用于闲聊互动场景模式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011633466.7A CN112785887A (zh) | 2020-12-31 | 2020-12-31 | 一种基于教师背景的在线教育互动系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011633466.7A CN112785887A (zh) | 2020-12-31 | 2020-12-31 | 一种基于教师背景的在线教育互动系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112785887A true CN112785887A (zh) | 2021-05-11 |
Family
ID=75754787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011633466.7A Pending CN112785887A (zh) | 2020-12-31 | 2020-12-31 | 一种基于教师背景的在线教育互动系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112785887A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160217701A1 (en) * | 2015-01-23 | 2016-07-28 | Massachusetts Institute Of Technology | System And Method For Real-Time Analysis And Guidance Of Learning |
CN107230403A (zh) * | 2017-07-30 | 2017-10-03 | 成都优瑞商务服务有限公司 | 一种智能教学系统 |
CN107451230A (zh) * | 2017-07-24 | 2017-12-08 | 宗晖(上海)机器人有限公司 | 一种问答方法以及问答系统 |
CN109015647A (zh) * | 2018-08-22 | 2018-12-18 | 安徽爱依特科技有限公司 | 互动教育机器人系统及其终端 |
CN110197452A (zh) * | 2019-06-11 | 2019-09-03 | 合肥明信软件技术有限公司 | 一种基于人工智能技术的智适应在线学习与考试平台 |
CN110826344A (zh) * | 2019-10-24 | 2020-02-21 | 北京小米智能科技有限公司 | 神经网络模型压缩方法、语料翻译方法及其装置 |
CN110991604A (zh) * | 2019-10-24 | 2020-04-10 | 浙江工业大学 | 一种基于小波循环神经网络的时序金融数据预测方法 |
CN111290568A (zh) * | 2018-12-06 | 2020-06-16 | 阿里巴巴集团控股有限公司 | 交互方法、装置及计算机设备 |
-
2020
- 2020-12-31 CN CN202011633466.7A patent/CN112785887A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160217701A1 (en) * | 2015-01-23 | 2016-07-28 | Massachusetts Institute Of Technology | System And Method For Real-Time Analysis And Guidance Of Learning |
CN107451230A (zh) * | 2017-07-24 | 2017-12-08 | 宗晖(上海)机器人有限公司 | 一种问答方法以及问答系统 |
CN107230403A (zh) * | 2017-07-30 | 2017-10-03 | 成都优瑞商务服务有限公司 | 一种智能教学系统 |
CN109015647A (zh) * | 2018-08-22 | 2018-12-18 | 安徽爱依特科技有限公司 | 互动教育机器人系统及其终端 |
CN111290568A (zh) * | 2018-12-06 | 2020-06-16 | 阿里巴巴集团控股有限公司 | 交互方法、装置及计算机设备 |
CN110197452A (zh) * | 2019-06-11 | 2019-09-03 | 合肥明信软件技术有限公司 | 一种基于人工智能技术的智适应在线学习与考试平台 |
CN110826344A (zh) * | 2019-10-24 | 2020-02-21 | 北京小米智能科技有限公司 | 神经网络模型压缩方法、语料翻译方法及其装置 |
CN110991604A (zh) * | 2019-10-24 | 2020-04-10 | 浙江工业大学 | 一种基于小波循环神经网络的时序金融数据预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Thorat et al. | A review on implementation issues of rule-based chatbot systems | |
CN108846130B (zh) | 一种问题文本生成方法、装置、设备和介质 | |
Kim et al. | Design principles and architecture of a second language learning chatbot | |
JP6793975B2 (ja) | 動画基盤求人求職マッチングサーバーおよび方法ならびにその方法を遂行するためのプログラムが記録されたコンピュータ読み取り可能記録媒体 | |
US20200137001A1 (en) | Generating responses in automated chatting | |
CN112214591B (zh) | 一种对话预测的方法及装置 | |
CN117521675A (zh) | 基于大语言模型的信息处理方法、装置、设备及存储介质 | |
CN112069781B (zh) | 一种评语生成方法、装置、终端设备及存储介质 | |
CN108470188B (zh) | 基于图像分析的交互方法及电子设备 | |
CN114495927A (zh) | 多模态交互的虚拟数字人的生成方法及装置、存储介质、终端 | |
CN112530218A (zh) | 多对一陪伴智能教学系统及教学方法 | |
Okur et al. | Data augmentation with paraphrase generation and entity extraction for multimodal dialogue system | |
CN113987167A (zh) | 基于依赖感知图卷积网络的方面级情感分类方法及系统 | |
CN113421551B (zh) | 语音识别方法、装置、计算机可读介质及电子设备 | |
Wang et al. | Information-enhanced hierarchical self-attention network for multiturn dialog generation | |
CN114444510A (zh) | 情感交互方法及装置、情感交互模型的训练方法及装置 | |
Dall’Acqua et al. | Toward a linguistically grounded dialog model for chatbot design | |
CN117935788A (zh) | 人机交互方法、装置、电子设备及存储介质 | |
CN117271745A (zh) | 一种信息处理方法、装置及计算设备、存储介质 | |
CN115860013B (zh) | 对话消息处理方法、装置、系统、设备及介质 | |
Taulli et al. | Natural Language Processing (NLP) How Computers Talk | |
CN112785887A (zh) | 一种基于教师背景的在线教育互动系统及方法 | |
Fu et al. | Dual variational generative model and auxiliary retrieval for empathetic response generation by conversational robot | |
CN113010662B (zh) | 一种层次化会话式机器阅读理解系统和方法 | |
Zhao et al. | Emotion generation method in online physical education teaching based on data mining of teacher-student interactions |
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: 20210511 |