CN112905802A - 自动生成问卷备选答案的人工智能方法和机器人 - Google Patents

自动生成问卷备选答案的人工智能方法和机器人 Download PDF

Info

Publication number
CN112905802A
CN112905802A CN202110182908.9A CN202110182908A CN112905802A CN 112905802 A CN112905802 A CN 112905802A CN 202110182908 A CN202110182908 A CN 202110182908A CN 112905802 A CN112905802 A CN 112905802A
Authority
CN
China
Prior art keywords
questionnaire
target user
user
type
model
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
CN202110182908.9A
Other languages
English (en)
Inventor
朱定局
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.)
South China Normal University
Original Assignee
South China Normal University
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 South China Normal University filed Critical South China Normal University
Priority to CN202110182908.9A priority Critical patent/CN112905802A/zh
Publication of CN112905802A publication Critical patent/CN112905802A/zh
Pending legal-status Critical Current

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/20—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for electronic clinical trials or questionnaires

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

自动生成问卷备选答案的人工智能方法和机器人，包括：问卷获取步骤；目标用户问卷数据获取步骤；目标用户问卷答案生成步骤。上述方法、系统和机器人，通过自动生成问卷答案的方式减轻用户填写问卷的工作量，对于工作忙、时间紧张的用户来说非常有用，而且用户问卷是根据用户数据和人工智能技术生成的，所以可以预知用户将会填写的答案，用户只需要对自动生成的答案进行少量改动就可以完成问卷的填写，极大节省了用户的时间和填写问卷的效率。

Description

自动生成问卷备选答案的人工智能方法和机器人
技术领域
本发明涉及人工智能技术领域，特别是涉及一种自动生成问卷备选答案的人工智能方法和机器人。
背景技术
现有技术下，填写问卷需要花费用户大量的时间。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：现有技术下，用户填写问卷需要花很多时间，所以很多用户特别不愿意填写问卷，特别是时间很紧张的用户更不愿意填写问卷了。
因此，现有技术还有待于改进和发展。
发明内容
基于此，有必要针对现有技术的缺陷或不足，提供自动生成问卷备选答案的人工智能方法和机器人，通过同类用户过去的数据与问卷的答案来训练模型，并通过训练得到的模型来根据用户的数据来预测用户问卷的答案，这样就能为用户节省填写问卷的时间，用户只需要修改填写不正确的答案。例如，对滑雪运动员进行心理健康调查问卷，滑雪运动员训练忙，特别是在赛前更没有时间进行问卷的填写，此时通过本申请自动生成问卷答案，而且该答案是根据该滑雪运动员的数据预测出来的，所以跟滑雪运动员填写的答案很接近，滑雪运动员只需对自动生成的答案进行部分修改就可以提交，从而极大节省了运动员的问卷填写时间，使得更多的运动员愿意进行问卷调查的填写。
第一方面，本发明实施例提供一种人工智能方法，所述方法包括：
问卷获取步骤：获取问卷；
目标用户问卷数据获取步骤：获取目标用户的问卷以及目标用户的与所述问卷相关的数据；
目标用户问卷答案生成步骤：将目标用户的与所述问卷相关的数据输入目标用户的人工智能问卷答案生成模型，计算得到的输出作为目标用户的问卷的答案。
优选地，所述方法还包括：
目标用户的用户类型获取步骤：获取目标用户的用户类型；
人工智能问卷答案生成模型获取步骤:获取对应的用户类型为目标用户的用户类型的人工智能问卷答案生成模型，作为目标用户的人工智能问卷答案生成模型；若获取失败，则从用户类型知识图谱中获取目标用户的用户类型的子类型，若子类型存在，则获取对应的用户类型为子类型的人工智能问卷答案生成模型，作为目标用户的人工智能问卷答案生成模型；若获取失败，则从用户类型知识图谱中获取目标用户的用户类型的父类型，若父类型存在，则获取对应的用户类型为父类型的人工智能问卷答案生成模型，作为目标用户的人工智能问卷答案生成模型；若获取失败，则从用户类型知识图谱中获取目标用户的用户类型的兄弟类型，若兄弟类型存在，则获取对应的用户类型为兄弟类型的人工智能问卷答案生成模型，作为目标用户的人工智能问卷答案生成模型；若获取失败，则从用户类型知识图谱中获取目标用户的用户类型的最近祖辈类型，若最近祖辈类型存在，则获取对应的用户类型为最近祖辈类型的人工智能问卷答案生成模型，作为目标用户的人工智能问卷答案生成模型。
优选地，所述方法还包括：
目标用户问卷答案修改步骤：将目标用户的问卷的答案自动填写到目标用户的问卷中，并提醒目标用户对目标用户的问卷中不正确的答案进行修改。
优选地，所述方法还包括：
人工智能问卷答案生成模型增量训练步骤：从目标用户修改并提交后的问卷中提取答案，将目标用户的与所述问卷相关的数据作为输入，将所述提取的答案作为预期输出对人工智能问卷答案生成模型进行训练。
第二方面，本发明实施例提供一种人工智能系统，所述系统包括：
问卷获取模块：获取问卷；
目标用户问卷数据获取模块：获取目标用户的问卷以及目标用户的与所述问卷相关的数据；
目标用户问卷答案生成模块：将目标用户的与所述问卷相关的数据输入目标用户的人工智能问卷答案生成模型，计算得到的输出作为目标用户的问卷的答案。
优选地，所述系统还包括：
目标用户的用户类型获取模块：获取目标用户的用户类型；
人工智能问卷答案生成模型获取模块:获取对应的用户类型为目标用户的用户类型的人工智能问卷答案生成模型，作为目标用户的人工智能问卷答案生成模型；若获取失败，则从用户类型知识图谱中获取目标用户的用户类型的子类型，若子类型存在，则获取对应的用户类型为子类型的人工智能问卷答案生成模型，作为目标用户的人工智能问卷答案生成模型；若获取失败，则从用户类型知识图谱中获取目标用户的用户类型的父类型，若父类型存在，则获取对应的用户类型为父类型的人工智能问卷答案生成模型，作为目标用户的人工智能问卷答案生成模型；若获取失败，则从用户类型知识图谱中获取目标用户的用户类型的兄弟类型，若兄弟类型存在，则获取对应的用户类型为兄弟类型的人工智能问卷答案生成模型，作为目标用户的人工智能问卷答案生成模型；若获取失败，则从用户类型知识图谱中获取目标用户的用户类型的最近祖辈类型，若最近祖辈类型存在，则获取对应的用户类型为最近祖辈类型的人工智能问卷答案生成模型，作为目标用户的人工智能问卷答案生成模型。
优选地，所述系统还包括：
目标用户问卷答案修改模块：将目标用户的问卷的答案自动填写到目标用户的问卷中，并提醒目标用户对目标用户的问卷中不正确的答案进行修改。
优选地，所述系统还包括：
人工智能问卷答案生成模型增量训练模块：从目标用户修改并提交后的问卷中提取答案，将目标用户的与所述问卷相关的数据作为输入，将所述提取的答案作为预期输出对人工智能问卷答案生成模型进行训练。
第三方面，本发明实施例提供一种人工智能装置，所述装置包括第二方面实施例任意一项所述系统的模块。
第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现第一方面实施例任意一项所述方法的步骤。
第五方面，本发明实施例提供一种机器人，包括存储器、处理器及存储在存储器上并可在处理器上运行的人工智能机器人程序，所述处理器执行所述程序时实现第一方面实施例任意一项所述方法的步骤。
本实施例提供的自动生成问卷备选答案的人工智能方法和机器人，包括：问卷获取步骤；目标用户问卷数据获取步骤；目标用户问卷答案生成步骤。上述方法、系统和机器人，通过自动生成问卷答案的方式减轻用户填写问卷的工作量，对于工作忙、时间紧张的用户来说非常有用，而且用户问卷是根据用户数据和人工智能技术生成的，所以可以预知用户将会填写的答案，用户只需要对自动生成的答案进行少量改动就可以完成问卷的填写，极大节省了用户的时间和填写问卷的效率。现有技术的问卷调查都是需要让用户从新填写，需要很多工作量和时间，对于时间很忙的用户而言，是一种时间上的浪费，而且用户千差万别，也无法存在一种标准答案供用户参考，本申请根据用户数据来预知用户将会填写的问卷答案，极巧妙地解决了这个技术难题。
附图说明
图1为本发明的一个实施例提供的人工智能方法的流程图；
图2为本发明的一个实施例提供的人工智能方法包括的流程图。
具体实施方式
下面结合本发明实施方式，对本发明实施例中的技术方案进行详细地描述。
本发明的基本实施例
本发明的一个实施例提供一种人工智能方法，如图1所示，所述方法包括：问卷获取步骤：获取问卷；目标用户问卷数据获取步骤：获取目标用户的问卷以及目标用户的与所述问卷相关的数据；目标用户问卷答案生成步骤：将目标用户的与所述问卷相关的数据输入目标用户的人工智能问卷答案生成模型，计算得到的输出作为目标用户的问卷的答案。技术效果：所述方法通过自动生成问卷答案的方式减轻用户填写问卷的工作量，对于工作忙、时间紧张的用户来说非常有用，而且用户问卷是根据用户数据和人工智能技术生成的，所以可以预知用户将会填写的答案，用户只需要对自动生成的答案进行少量改动就可以完成问卷的填写，极大节省了用户的时间和填写问卷的效率。
在一个优选的实施例中，如图2所示，所述方法还包括：目标用户的用户类型获取步骤：获取目标用户的用户类型；人工智能问卷答案生成模型获取步骤:获取对应的用户类型为目标用户的用户类型的人工智能问卷答案生成模型，作为目标用户的人工智能问卷答案生成模型；若获取失败，则从用户类型知识图谱中获取目标用户的用户类型的子类型，若子类型存在，则获取对应的用户类型为子类型的人工智能问卷答案生成模型，作为目标用户的人工智能问卷答案生成模型；若获取失败，则从用户类型知识图谱中获取目标用户的用户类型的父类型，若父类型存在，则获取对应的用户类型为父类型的人工智能问卷答案生成模型，作为目标用户的人工智能问卷答案生成模型；若获取失败，则从用户类型知识图谱中获取目标用户的用户类型的兄弟类型，若兄弟类型存在，则获取对应的用户类型为兄弟类型的人工智能问卷答案生成模型，作为目标用户的人工智能问卷答案生成模型；若获取失败，则从用户类型知识图谱中获取目标用户的用户类型的最近祖辈类型，若最近祖辈类型存在，则获取对应的用户类型为最近祖辈类型的人工智能问卷答案生成模型，作为目标用户的人工智能问卷答案生成模型。技术效果：所述方法通过获取目标用户的类型，从而获取用户类型对应的人工智能问卷答案生成模型来进行问卷答案的预测，因为同一类型的用户的问卷答案必然类似，所以根据同类型的人工智能问卷答案生成模型进行预测可以提高问卷答案的预测准确率。
在一个优选的实施例中，所述方法还包括：目标用户问卷答案修改步骤：将目标用户的问卷的答案自动填写到目标用户的问卷中，并提醒目标用户对目标用户的问卷中不正确的答案进行修改。技术效果：所述方法通过目标用户对问卷答案的修改，就能够获得用户提交的问卷答案，完成了问卷调查的过程和功能。
在一个优选的实施例中，所述方法还包括：人工智能问卷答案生成模型增量训练步骤：从目标用户修改并提交后的问卷中提取答案，将目标用户的与所述问卷相关的数据作为输入，将所述提取的答案作为预期输出对人工智能问卷答案生成模型进行训练。技术效果：所述方法通过当前问卷调查用户修改后的答案对人工智能问卷答案生成模型进行进一步训练，使得人工智能问卷答案生成模型的预测效果越来越好，所以随着人工智能问卷答案生成模型的使用，人工智能问卷答案生成模型的效果会在模型的不断地增量训练中与时俱进。
本发明的一个实施例提供一种人工智能系统，所述系统包括：问卷获取模块：获取问卷；目标用户问卷数据获取模块：获取目标用户的问卷以及目标用户的与所述问卷相关的数据；目标用户问卷答案生成模块：将目标用户的与所述问卷相关的数据输入目标用户的人工智能问卷答案生成模型，计算得到的输出作为目标用户的问卷的答案。技术效果：所述系统通过自动生成问卷答案的方式减轻用户填写问卷的工作量，对于工作忙、时间紧张的用户来说非常有用，而且用户问卷是根据用户数据和人工智能技术生成的，所以可以预知用户将会填写的答案，用户只需要对自动生成的答案进行少量改动就可以完成问卷的填写，极大节省了用户的时间和填写问卷的效率。
在一个优选的实施例中，所述系统还包括：目标用户的用户类型获取模块：获取目标用户的用户类型；人工智能问卷答案生成模型获取模块:获取对应的用户类型为目标用户的用户类型的人工智能问卷答案生成模型，作为目标用户的人工智能问卷答案生成模型；若获取失败，则从用户类型知识图谱中获取目标用户的用户类型的子类型，若子类型存在，则获取对应的用户类型为子类型的人工智能问卷答案生成模型，作为目标用户的人工智能问卷答案生成模型；若获取失败，则从用户类型知识图谱中获取目标用户的用户类型的父类型，若父类型存在，则获取对应的用户类型为父类型的人工智能问卷答案生成模型，作为目标用户的人工智能问卷答案生成模型；若获取失败，则从用户类型知识图谱中获取目标用户的用户类型的兄弟类型，若兄弟类型存在，则获取对应的用户类型为兄弟类型的人工智能问卷答案生成模型，作为目标用户的人工智能问卷答案生成模型；若获取失败，则从用户类型知识图谱中获取目标用户的用户类型的最近祖辈类型，若最近祖辈类型存在，则获取对应的用户类型为最近祖辈类型的人工智能问卷答案生成模型，作为目标用户的人工智能问卷答案生成模型。技术效果：所述系统通过获取目标用户的类型，从而获取用户类型对应的人工智能问卷答案生成模型来进行问卷答案的预测，因为同一类型的用户的问卷答案必然类似，所以根据同类型的人工智能问卷答案生成模型进行预测可以提高问卷答案的预测准确率。
在一个优选的实施例中，所述系统还包括：目标用户问卷答案修改模块：将目标用户的问卷的答案自动填写到目标用户的问卷中，并提醒目标用户对目标用户的问卷中不正确的答案进行修改。技术效果：所述系统通过目标用户对问卷答案的修改，就能够获得用户提交的问卷答案，完成了问卷调查的过程和功能。
在一个优选的实施例中，所述系统还包括：人工智能问卷答案生成模型增量训练模块：从目标用户修改并提交后的问卷中提取答案，将目标用户的与所述问卷相关的数据作为输入，将所述提取的答案作为预期输出对人工智能问卷答案生成模型进行训练。技术效果：所述系统通过当前问卷调查用户修改后的答案对人工智能问卷答案生成模型进行进一步训练，使得人工智能问卷答案生成模型的预测效果越来越好，所以随着人工智能问卷答案生成模型的使用，人工智能问卷答案生成模型的效果会在模型的不断地增量训练中与时俱进。
本发明的优选实施例
问卷获取步骤：获取问卷。问卷例如心理健康调查问题，各种社会调查问卷，等等。
目标用户问卷数据获取步骤：获取目标用户的问卷以及目标用户的与所述问卷相关的数据。目标用户指的是需要填写问卷的用户，例如对运动员进行心理健康问卷调查，那么运动员就是目标用户。与心理健康问卷相关的数据例如脑电数据、手环数据、体检数据等反映运动员心理健康的数据。
目标用户的用户类型获取步骤：获取目标用户的用户类型。用户类型例如运动员或滑雪运动员等。
用户类型知识图谱构建步骤：获取各种用户类型，将每个用户类型作为每个节点，判断每两个节点之间的关系，所述每两个节点包括第一节点和第二节点，若第一节点对应的用户类型是第二节点对应的用户类型的父类型，则第一节点为第二节点的父节点，第二节点为第一节点的子节点，构建从第一节点到第二节点的有向边，该边对应的关系为父子关系；若第一节点对应的用户类型是第二节点对应的用户类型的子类型，则第一节点为第二节点的子节点，第二节点为第一节点的父节点，构建从第二节点到第一节点的有向边，该边对应的关系为父子关系；若第一节点和第二节点有共同的父节点，则构建从第一节点到第二节点的无向边，该边对应的关系为兄弟关系。
人工智能问卷答案生成模型获取步骤:获取对应的用户类型为目标用户的用户类型的人工智能问卷答案生成模型，作为目标用户的人工智能问卷答案生成模型；若获取失败(即对应的用户类型为目标用户的用户类型的人工智能问卷答案生成模型不存在)，则从用户类型知识图谱中获取目标用户的用户类型的子类型，若子类型存在，则获取对应的用户类型为子类型的人工智能问卷答案生成模型，作为目标用户的人工智能问卷答案生成模型；若获取失败，则从用户类型知识图谱中获取目标用户的用户类型的父类型，若父类型存在，则获取对应的用户类型为父类型的人工智能问卷答案生成模型，作为目标用户的人工智能问卷答案生成模型；若获取失败，则从用户类型知识图谱中获取目标用户的用户类型的兄弟类型，若兄弟类型存在，则获取对应的用户类型为兄弟类型的人工智能问卷答案生成模型，作为目标用户的人工智能问卷答案生成模型；若获取失败，则从用户类型知识图谱中获取目标用户的用户类型的最近祖辈类型，若最近祖辈类型存在，则获取对应的用户类型为最近祖辈类型的人工智能问卷答案生成模型，作为目标用户的人工智能问卷答案生成模型。
目标用户问卷答案生成步骤：将目标用户的与所述问卷相关的数据输入目标用户的人工智能问卷答案生成模型，计算得到的输出作为目标用户的问卷的答案。
目标用户问卷答案修改步骤：将目标用户的问卷的答案自动填写到目标用户的问卷中，并提醒目标用户对目标用户的问卷中不正确的答案进行修改。
人工智能问卷答案生成模型增量训练步骤：从目标用户修改并提交后的问卷中提取答案，将目标用户的与所述问卷相关的数据作为输入，将所述提取的答案作为预期输出对人工智能问卷答案生成模型进行训练。
人工智能问卷答案生成模型构建步骤：初始化深度学习模型或卷积神经网络模型或机器学习模型或其它人工智能模型作为初始模型；获取已知多个用户的问卷答案(为多个用户提交的问卷答案)以及目标用户的与所述问卷相关的数据；将每个用户的与所述问卷相关的数据作为输入，将所述每个用户的所述问卷答案作为预期输出对初始模型进行训练和测试得到人工智能问卷答案生成模型；获取所述已知多个用户的类型，作为人工智能问卷答案生成模型对应的用户类型。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，则对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种人工智能方法，其特征在于，所述方法包括：
问卷获取步骤：获取问卷；
目标用户问卷数据获取步骤：获取目标用户的问卷以及目标用户的与所述问卷相关的数据；
目标用户问卷答案生成步骤：将目标用户的与所述问卷相关的数据输入目标用户的人工智能问卷答案生成模型，计算得到的输出作为目标用户的问卷的答案。
2.根据权利要求1所述的人工智能方法，其特征在于，所述方法还包括：
目标用户的用户类型获取步骤：获取目标用户的用户类型；
人工智能问卷答案生成模型获取步骤:获取对应的用户类型为目标用户的用户类型的人工智能问卷答案生成模型，作为目标用户的人工智能问卷答案生成模型；若获取失败，则从用户类型知识图谱中获取目标用户的用户类型的子类型，若子类型存在，则获取对应的用户类型为子类型的人工智能问卷答案生成模型，作为目标用户的人工智能问卷答案生成模型；若获取失败，则从用户类型知识图谱中获取目标用户的用户类型的父类型，若父类型存在，则获取对应的用户类型为父类型的人工智能问卷答案生成模型，作为目标用户的人工智能问卷答案生成模型；若获取失败，则从用户类型知识图谱中获取目标用户的用户类型的兄弟类型，若兄弟类型存在，则获取对应的用户类型为兄弟类型的人工智能问卷答案生成模型，作为目标用户的人工智能问卷答案生成模型；若获取失败，则从用户类型知识图谱中获取目标用户的用户类型的最近祖辈类型，若最近祖辈类型存在，则获取对应的用户类型为最近祖辈类型的人工智能问卷答案生成模型，作为目标用户的人工智能问卷答案生成模型。
3.根据权利要求1所述的人工智能方法，其特征在于，所述方法还包括：
目标用户问卷答案修改步骤：将目标用户的问卷的答案自动填写到目标用户的问卷中，并提醒目标用户对目标用户的问卷中不正确的答案进行修改。
4.根据权利要求1所述的人工智能方法，其特征在于，所述方法还包括：
人工智能问卷答案生成模型增量训练步骤：从目标用户修改并提交后的问卷中提取答案，将目标用户的与所述问卷相关的数据作为输入，将所述提取的答案作为预期输出对人工智能问卷答案生成模型进行训练。
5.一种人工智能系统，其特征在于，所述系统包括：
问卷获取模块：获取问卷；
目标用户问卷数据获取模块：获取目标用户的问卷以及目标用户的与所述问卷相关的数据；
目标用户问卷答案生成模块：将目标用户的与所述问卷相关的数据输入目标用户的人工智能问卷答案生成模型，计算得到的输出作为目标用户的问卷的答案。
6.根据权利要求5所述的人工智能系统，其特征在于，所述系统还包括：
目标用户的用户类型获取模块：获取目标用户的用户类型；
人工智能问卷答案生成模型获取模块:获取对应的用户类型为目标用户的用户类型的人工智能问卷答案生成模型，作为目标用户的人工智能问卷答案生成模型；若获取失败，则从用户类型知识图谱中获取目标用户的用户类型的子类型，若子类型存在，则获取对应的用户类型为子类型的人工智能问卷答案生成模型，作为目标用户的人工智能问卷答案生成模型；若获取失败，则从用户类型知识图谱中获取目标用户的用户类型的父类型，若父类型存在，则获取对应的用户类型为父类型的人工智能问卷答案生成模型，作为目标用户的人工智能问卷答案生成模型；若获取失败，则从用户类型知识图谱中获取目标用户的用户类型的兄弟类型，若兄弟类型存在，则获取对应的用户类型为兄弟类型的人工智能问卷答案生成模型，作为目标用户的人工智能问卷答案生成模型；若获取失败，则从用户类型知识图谱中获取目标用户的用户类型的最近祖辈类型，若最近祖辈类型存在，则获取对应的用户类型为最近祖辈类型的人工智能问卷答案生成模型，作为目标用户的人工智能问卷答案生成模型。
7.根据权利要求5所述的人工智能系统，其特征在于，所述系统还包括：
目标用户问卷答案修改模块：将目标用户的问卷的答案自动填写到目标用户的问卷中，并提醒目标用户对目标用户的问卷中不正确的答案进行修改；
人工智能问卷答案生成模型增量训练模块：从目标用户修改并提交后的问卷中提取答案，将目标用户的与所述问卷相关的数据作为输入，将所述提取的答案作为预期输出对人工智能问卷答案生成模型进行训练。
8.一种人工智能装置，其特征在于，所述装置用于实现权利要求1-4任意一项所述方法的步骤。
9.一种机器人，包括存储器、处理器及存储在存储器上并可在处理器上运行的人工智能机器人程序，其特征在于，所述处理器执行所述程序时实现权利要求1-4任意一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1-4任意一项所述方法的步骤。
CN202110182908.9A 2021-02-10 2021-02-10 自动生成问卷备选答案的人工智能方法和机器人 Pending CN112905802A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110182908.9A CN112905802A (zh) 2021-02-10 2021-02-10 自动生成问卷备选答案的人工智能方法和机器人

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110182908.9A CN112905802A (zh) 2021-02-10 2021-02-10 自动生成问卷备选答案的人工智能方法和机器人

Publications (1)

Publication Number Publication Date
CN112905802A true CN112905802A (zh) 2021-06-04

Family

ID=76123381

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110182908.9A Pending CN112905802A (zh) 2021-02-10 2021-02-10 自动生成问卷备选答案的人工智能方法和机器人

Country Status (1)

Country Link
CN (1) CN112905802A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1650947A1 (en) * 2004-10-21 2006-04-26 Océ-Technologies B.V. Apparatus and method for automatically analysing a filled in questionnaire
CN102789606A (zh) * 2012-07-20 2012-11-21 珠海市载舟软件技术有限公司 基于智能移动通讯设备的问卷调查系统及其方法
CN106682939A (zh) * 2016-12-27 2017-05-17 况客科技（北京）有限公司 一种投资领域标准问卷的管理方法
CN107105103A (zh) * 2017-05-27 2017-08-29 珠海市魅族科技有限公司 一种信息填写方法及信息填写装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1650947A1 (en) * 2004-10-21 2006-04-26 Océ-Technologies B.V. Apparatus and method for automatically analysing a filled in questionnaire
CN102789606A (zh) * 2012-07-20 2012-11-21 珠海市载舟软件技术有限公司 基于智能移动通讯设备的问卷调查系统及其方法
CN106682939A (zh) * 2016-12-27 2017-05-17 况客科技（北京）有限公司 一种投资领域标准问卷的管理方法
CN107105103A (zh) * 2017-05-27 2017-08-29 珠海市魅族科技有限公司 一种信息填写方法及信息填写装置

Similar Documents

Publication Publication Date Title
Michelot et al. moveHMM: an R package for the statistical modelling of animal movement data using hidden Markov models
CN108614865B (zh) 基于深度强化学习的个性化学习推荐方法
Gupta et al. Debates-the future of hydrological sciences: A (common) path forward? Using models and data to learn: A systems theoretic perspective on the future of hydrological science.
US20190251439A1 (en) Neural architecture search
Abouelela et al. Bayesian network based xp process modelling
CN108805611A (zh) 广告筛选方法及装置
Dorin et al. The practice of agent-based model visualization
CN108876123A (zh) 一种教学干预方法和装置
CN112990478A (zh) 联邦学习数据处理系统
Kemp-Benedict et al. Using matching methods to link social and physical analyses for sustainability planning
CN112905802A (zh) 自动生成问卷备选答案的人工智能方法和机器人
CN117236624A (zh) 一种基于动态图的Issue修复者推荐方法与装置
Chrismanto et al. Comparison testing functional and usability system mapping land agriculture on platform web and mobile
Yanpeng Hybrid kernel extreme learning machine for evaluation of athletes' competitive ability based on particle swarm optimization
Blaauw The non-existent average individual: Automated personalization in psychopathology research by leveraging the capabilities of data science
Fath Network analysis: foundations, extensions, and applications of a systems theory of the environment
CN113204330B (zh) 一种基于人工智能的程序开发设计方法及系统
Delianidi et al. KT-Bi-GRU: Student Performance Prediction with a Bi-Directional Recurrent Knowledge Tracing Neural Network.
Kurup et al. A review on student modeling approaches in ITS
Mora-Herrera et al. A review of agent-based modeling for simulation of agricultural systems
Deng et al. Discussion of ability cultivation of computational thinking in course teaching
Tselios et al. Enhancing user support in open problem solving environments through Bayesian Network inference techniques
CN112749335B (zh) 生命周期状态预测方法、装置、计算机设备和存储介质
Mattyasovszky-Philipp et al. Adaptive/cognitive resonance and the architecture issues of cognitive information systems
Li Joint Tweedie Mixed Models for longitudinal data of mixed types

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