CN113032574A - 一种基于关键词的问卷配置方法、系统、设备和介质 - Google Patents

一种基于关键词的问卷配置方法、系统、设备和介质 Download PDF

Info

Publication number
CN113032574A
CN113032574A CN202110581503.2A CN202110581503A CN113032574A CN 113032574 A CN113032574 A CN 113032574A CN 202110581503 A CN202110581503 A CN 202110581503A CN 113032574 A CN113032574 A CN 113032574A
Authority
CN
China
Prior art keywords
feature
sub
questionnaire
chain
question
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.)
Granted
Application number
CN202110581503.2A
Other languages
English (en)
Other versions
CN113032574B (zh
Inventor
姚娟娟
钟南山
樊代明
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 Mingping Medical Data Technology Co ltd
Original Assignee
Mingpinyun Beijing Data 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 Mingpinyun Beijing Data Technology Co Ltd filed Critical Mingpinyun Beijing Data Technology Co Ltd
Priority to CN202110581503.2A priority Critical patent/CN113032574B/zh
Publication of CN113032574A publication Critical patent/CN113032574A/zh
Application granted granted Critical
Publication of CN113032574B publication Critical patent/CN113032574B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/166—Editing, e.g. inserting or deleting
    • G06F40/186—Templates
    • 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
    • G06F16/35—Clustering; Classification

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出一种基于关键词的问卷配置方法、系统、设备和介质，包括：获取指定领域的问卷信息，构建问卷样本集；获取所述问卷样本集中每个问卷样本包含的多个子问题，根据各所述子问题对应的关键特征创建对应问卷样本的特征链，对各问卷样本对应的特征链进行聚类，获取多个特征类库；创建问题库，并将所述问卷样本集包含的所有子问题录入问题库；输入配置文本，根据所述配置文本对应特征从所述特征类库中获取匹配的特征链，修正所述匹配的特征链后，从所述问题库中获取与修正后的特征链匹配的子问题，生成所述配置文本对应的问卷信息；本发明可快速高效地进行问卷信息整合配置，操作简单便捷。

Description

一种基于关键词的问卷配置方法、系统、设备和介质
技术领域
本发明涉及文本数据处理领域，尤其涉及一种基于关键词的问卷配置方法、系统、设备和介质。
背景技术
结果调研广泛应用于各个领域，无论是产品的使用效果反馈还是诊断检查的跟进调研都对生产商或相关机构的后续活动开展至关重要，目前调研主要采用问卷交互的方式获取反馈结构，由于问卷类别和形式的多样化，很难形成统一的模板。针对每个类别的问卷安排专人管理，无疑增加人工成本，且查找使用费时费力。此外由于信息更新速度快，部分内容无法长期适用，重新制作或查找现有的进行修改都需要耗费大量时间，效率低，可操作性差。
发明内容
鉴于以上现有技术存在的问题，本发明提出一种基于关键词的问卷配置方法、系统、设备和介质，主要解决现有调查问卷配置效率低，适用性差的问题。
为了实现上述目的及其他目的，本发明采用的技术方案如下。
一种基于关键词的问卷配置方法，包括：
获取指定领域的问卷信息，构建问卷样本集；
获取所述问卷样本集中每个问卷样本包含的多个子问题，根据各所述子问题对应的关键特征创建对应问卷样本的特征链，对各问卷样本对应的特征链进行聚类，获取多个特征类库；
创建问题库，并将所述问卷样本集包含的所有子问题录入问题库；
输入配置文本，根据所述配置文本对应特征从所述特征类库中获取匹配的特征链，修正所述匹配的特征链后，从所述问题库中获取与修正后的特征链匹配的子问题，生成所述配置文本对应的问卷信息。
可选地，根据每个问卷样本中各子问题的排布顺序，将子问题对应的关键特征串接生成特征链；或，
每个子问题对应一个节点，每个节点按照子问题的排布顺序依次连接，形成特征链，其中，每个节点包含一个或多个关键特征。
可选地，将所述问卷样本集包含的所有子问题录入问题库，包括：
预先标注每个问卷样本的类别信息，并将所述类别信息作为每个问卷样本对应子问题的识别标识；
根据所述识别标识对各子问题进行分类，得到多个子问题集合，将所述子问题集合录入问题库。
可选地，根据所述配置文本对应特征从所述特征类库中获取匹配的特征链，修正所述匹配的特征链，包括：
获取所述配置文本对应的一个或多个关键词，构建关键词集合；
将所述关键词集合与特征类库中的特征链进行相似度比对，获取一个或多个匹配的特征链；
将所述一个或多个匹配的特征链中包含的关键特征进行组合调整，得到修正后的特征链，其中，组合调整包括：合并关键特征、调整关键特征的结构位置和/或增删关键特征。
可选地，将所述关键词集合与特征类库中的特征链进行相似度比对，获取一个或多个匹配的特征链，包括：
将所述关键词集合中各关键词对应的特征向量与特征链中各关键特征进行逐一比对，按照关键词特征向量与关键特征的匹配数量对特征链进行排序，并从排序结果中选出指定数量的特征链作为匹配特征链输出。
可选地，从所述问题库中获取与修正后的特征链匹配的子问题，生成所述配置文本对应的问卷信息，包括：
通过修正后的特征链匹配所述识别标识，获取对应的子问题集合；
将修正后的特征链中每个关键特征与获取的子问题集合中各子问题进行比对，获取匹配的子问题，并按照关键特征在特征链中的排布设置对应子问题的排布结构，生成问卷信息。
可选地，当子问题集合中没有与关键特征匹配的子问题时，增设关键特征对应的子问题，并将增设的子问题用于更新对应的子问题集合。
一种基于关键词的问卷配置系统，包括：
样本获取模块，用于获取指定领域的问卷信息，构建问卷样本集；
特征类库创建模块，用于获取所述问卷样本集中每个问卷样本包含的多个子问题，根据各所述子问题对应的关键特征创建对应问卷样本的特征链，对各问卷样本对应的特征链进行聚类，获取多个特征类库；
问题库创建模块，用于创建问题库，并将所述问卷样本集包含的所有子问题录入问题库；
问卷配置模块，用于输入配置文本，根据所述配置文本对应特征从所述特征类库中获取匹配的特征链，修正所述匹配的特征链后，从所述问题库中获取与修正后的特征链匹配的子问题，生成所述配置文本对应的问卷信息。
一种基于关键词的问卷配置设备，包括：
一个或多个处理器；和
其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述设备执行所述的基于关键词的问卷配置方法。
一种机器可读介质，其上存储有指令，当由一个或多个处理器执行时，使得设备执行所述的基于关键词的问卷配置方法。
如上所述，本发明一种基于关键词的问卷配置方法、系统、设备和介质，具有以下有益效果。
基于历史问卷信息得到结构化的特征链，仅通过简单的关键词等配置文本信息便可快速生成匹配的问卷信息，简化查询修正的流程，提高处理效率。
附图说明
图1为本发明一实施例中基于关键词的问卷配置方法的流程示意图。
图2为本发明一实施例中基于关键词的问卷配置系统的模块图。
图3为本发明一实施例中设备的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
请参阅图1，本发明提供一种基于关键词的问卷配置方法，包括步骤S01-S04。
在步骤S01中，获取指定领域的问卷信息，构建问卷样本集。
在一实施例中，以医药生产应用领域为例，针对药品售后情况反馈的问卷信息，可包括针对医院用药情况、患者症状、药店药物需求情况等分别对应各种类别的问卷信息。收集整理过去一段时间内（如半年、一年等）的问卷信息用于构建问卷样本集。其中，问卷信息可包括纸质问卷的扫描文档以及电子问卷等。针对纸质问卷的扫描图像，可通过现有的OCR（Optical Character Recognition）模型进行文本提取，获取图像中的文本描述信息。具体文本提取过程这里不做赘述。
在步骤S02中，获取问卷样本集中每个问卷样本包含的多个子问题，根据各子问题对应的关键特征创建对应问卷样本的特征链，对各问卷样本对应的特征链进行聚类，获取多个特征类库。
在一实施例中，可从问卷样本集中依次取出问卷样本，标注问卷样本中每个子问题，将标注后的问卷样本输入神经网络，进行分类提取各子问题。其中，神经网络可采用反向传播神经网络。可选地，可根据标注信息确定各子问题在对应问卷样本中的排布顺序，具体地，可根据排布顺序按序号进行子问题标注，经过神经网络分类后，可根据标注序号确定各子问题的排布顺序。进一步地，将获取的子问题通过TF-IDF（term frequency- inversedocument frequency）方法进行关键特征提取。示例性地，可对子问题进行分词，统计每个词在子问题中的词频以及在整个问卷样本中的词频，通过二者词频的比值进行关键特征筛选。具体计算过程这里不做赘述。
在一实施例中，可根据子问题的排布顺序将提取的各关键特征进行串接，生成对应问卷样本的特征链。可选地，同一个子问题的多个关键特征可在子问题对应特征链的位置乱序排布。在另一实施例中，也可将每个子问题与一个特征节点相对应，根据子问题的排布顺序生成节点网络，每个节点包含一个或多个关键特征，以此构建特征链。
得到所有问卷样本特征链后，计算特征链之间的相似度。具体地，可计算特征链中每个关键特征与其他特征链中关键特征的相似度，若相似度达到设定阈值，则判定二者匹配，进一步统计两特征链中匹配的关键特征数量，将匹配数量达到设定数量阈值的量特征链归为一类，重复此过程完成聚类，得到多个特征类库。
在步骤S03中，创建问题库，并将问卷样本集包含的所有子问题录入问题库。
在一实施例中，问卷样本集包含的所有子问题录入问题库，包括：预先标注每个问卷样本的类别信息，并将类别信息作为每个问卷样本对应子问题的识别标识；根据识别标识对各子问题进行分类，得到多个子问题集合，将子问题集合录入问题库。
示例性地，以医药领域为例，问卷针对药品使用情况进行调研，将问卷分为消炎类药物相关、肠胃类药物相关、皮肤类药物相关等。基于预设分类对问卷样本库中各问卷样本进行标注，作为问卷样本的识别标识。在提取问卷样本中的子问题后，将对应同一识别标识的所有子问题归为一类，组成子问题集合。进一步地，可对子问题集合进行去重处理，以此实现同类问卷子问题关联共享，为后续生成新问卷提供可靠的数据支撑。
得到子问题集合后，可将各类子问题集合分别录入预先创建的问题库中进行存储。识别标识可作为每个子问题集合的访问标签。
在步骤S04中，输入配置文本，根据配置文本对应特征从所述特征类库中获取匹配的特征链，修正匹配的特征链后，从问题库中获取与修正后的特征链匹配的子问题，生成配置文本对应的问卷信息。
在一实施例中，配置文本可包括：结构化描述文本（如xx药品-效果-副作用）、检索短句（如仅输入xx药品使用情况/xx药品销售情况）或多个关键词等。
在一实施例中，根据配置文本对应特征从特征类库中获取匹配的特征链，修正匹配的特征链，包括：
获取配置文本对应的一个或多个关键词，构建关键词集合；
将关键词集合与特征类库中的特征链进行相似度比对，获取一个或多个匹配的特征链；
将一个或多个匹配的特征链中包含的关键特征进行组合调整，得到修正后的特征链，其中，组合调整包括：合并关键特征、调整关键特征的结构位置和/或增删关键特征。
在一实施例中，将关键词集合与特征类库中的特征链进行相似度比对，获取一个或多个匹配的特征链，包括：
将关键词集合中各关键词对应的特征向量与特征链中各关键特征进行逐一比对，按照关键词特征向量与关键特征的匹配的数量对特征链进行排序，并从排序结果中选出指定数量的特征链作为匹配特征链输出。具体地，可按匹配度由高到低进行排序，选出排序结果中前K个特征链作为输出，K为大于1的整数。可从输出的K个特征链中选出需要的关键特征组件新的特征链，也可直接选择其中一个特征链用于生成问卷信息。当选出的K个特征链中缺少某一关键特征时，手动增加对应特征，形成需要的特征链，也可进一步调整特征链中各关键特征的排布顺序。
在一实施例中，从问题库中获取与修正后的特征链匹配的子问题，生成配置文本对应的问卷信息，包括：
通过修正后的特征链匹配识别标识，获取对应的子问题集合；
将修正后的特征链中每个关键特征与获取的子问题集合中各子问题进行比对，获取匹配的子问题，并按照关键特征在特征链中的排布设置对应子问题的排布结构，生成问卷信息。
可选地，可预先通过输出的K个匹配特征链，获取与特征链匹配的类别信息。进一步地，根据类别信息匹配问题库中的识别标识，得到对应的子问题集合。将经过修正后得到的特征链中关键特征与子问题集合中子问题进行比对，计算二者特征向量的相似度，若相似度达到设定相似度阈值，则输出对应子问题替换特征链中关键特征对应位置。完成所有关键特征比对后，当子问题集合中没有与关键特征匹配的子问题时，增设关键特征对应的子问题。具体地，可手动添加对应的子问题，建立新增子问题与关键特征的映射关系。并将新增子问题更新到对应类别的子问题集合中。
请参阅图2，本实施例提供了一种基于关键词的问卷配置系统，用于执行前述方法实施例中所述的基于关键词的问卷配置方法。由于系统实施例的技术原理与前述方法实施例的技术原理相似，因而不再对同样的技术细节做重复性赘述。
在一实施例中，基于关键词的问卷配置系统，包括：
样本获取模块10，用于获取指定领域的问卷信息，构建问卷样本集；
特征类库创建模块11，用于获取所述问卷样本集中每个问卷样本包含的多个子问题，根据各所述子问题对应的关键特征创建对应问卷样本的特征链，对各问卷样本对应的特征链进行聚类，获取多个特征类库；
问题库创建模块12，用于创建问题库，并将所述问卷样本集包含的所有子问题录入问题库；
问卷配置模块13，用于输入配置文本，根据所述配置文本对应特征从所述特征类库中获取匹配的特征链，修正所述匹配的特征链后，从所述问题库中获取与修正后的特征链匹配的子问题，生成所述配置文本对应的问卷信息。
样本获取模块10用于辅助执行前述方法实施例介绍的步骤S01；特征类库创建模块11用于执行前述方法实施例介绍的步骤S02；问题库创建模块12用于执行前述方法实施例介绍的步骤S03；问卷配置模块13用于执行前述方法实施例介绍的步骤S04。
本申请实施例还提供了一种基于关键词的问卷配置设备，该设备可以包括：一个或多个处理器；和其上存储有指令的一个或多个机器可读介质，当由所述一个或多个处理器执行时，使得所述设备执行图1所述的方法。在实际应用中，该设备可以作为终端设备，也可以作为服务器，终端设备的例子可以包括：智能手机、平板电脑、电子书阅读器、MP3(动态影像专家压缩标准语音层面3，Moving Picture Experts Group Audio Layer III)播放器、MP4(动态影像专家压缩标准语音层面4，Moving Picture Experts Group Audio LayerIV)播放器、膝上型便携计算机、车载电脑、台式计算机、机顶盒、智能电视机、可穿戴设备等等，本申请实施例对于具体的设备不加以限制。
本申请实施例还提供了一种机器可读介质，该介质中存储有一个或多个模块(programs)，该一个或多个模块被应用在设备时，可以使得该设备执行本申请实施例的图1中基于关键词的问卷配置方法所包含步骤的指令(instructions)。机器可读介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（如：软盘、硬盘、磁带）、光介质（如：DVD）、或者半导体介质（如：固态硬盘Solid State Disk（SSD））等。
参阅图3，本实施例提供一种设备80，设备80可以是台式机、便携式电脑、智能手机等设备。详细的，设备80至少包括通过总线81连接的：存储器82、处理器83，其中，存储器82用于存储计算机程序，处理器83用于执行存储器82存储的计算机程序，以执行前述方法实施例中的全部或部分步骤。
上述提到的系统总线可以是外设部件互连标准（Peripheral PomponentInterconnect，简称PCI）总线或扩展工业标准结构（Extended Industry StandardArchitecture，简称EISA）总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备（例如客户端、读写库和只读库）之间的通信。存储器可能包含随机存取存储器（Random Access Memory，简称RAM），也可能还包括非易失性存储器（non-volatile memory），例如至少一个磁盘存储器。
上述的处理器可以是通用处理器，包括中央处理器（Central Processing Unit，简称CPU）、网络处理器（Network Processor，简称NP）等；还可以是数字信号处理器（Digital Signal Processing，简称DSP）、专用集成电路（Application SpecificIntegrated Circuit，简称ASIC）、现场可编程门阵列（Field－Programmable Gate Array，简称FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
综上所述，本发明一种基于关键词的问卷配置方法、系统、设备和介质，根据预设的或已有的问卷模板创建问题库和结构化的特征类库，便于经过简短的语句检索获取快速准确地生成需要的问卷信息；同时通过匹配的子问题或关键特征为对应人员提供问卷信息的数据参考，经过简单修正，获取需求信息，操作简便，可有效降低工作量；不需要安排专人对问卷模板进行管理，通过持续更新问题库和特征类库，可适应各类问卷的快速配置，提高工作效率；基于关键词匹配获取可靠的数据参考，提高配置信息的可靠性。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种基于关键词的问卷配置方法，其特征在于，包括：
获取指定领域的问卷信息，构建问卷样本集；
获取所述问卷样本集中每个问卷样本包含的多个子问题，根据各所述子问题对应的关键特征创建对应问卷样本的特征链，对各问卷样本对应的特征链进行聚类，获取多个特征类库；
创建问题库，并将所述问卷样本集包含的所有子问题录入问题库；
输入配置文本，根据所述配置文本对应特征从所述特征类库中获取匹配的特征链，修正所述匹配的特征链后，从所述问题库中获取与修正后的特征链匹配的子问题，生成所述配置文本对应的问卷信息。
2.根据权利要求1所述的基于关键词的问卷配置方法，其特征在于，根据每个问卷样本中各子问题的排布顺序，将子问题对应的关键特征串接生成特征链；或，
每个子问题对应一个节点，每个节点按照子问题的排布顺序依次连接，形成特征链，其中，每个节点包含一个或多个关键特征。
3.根据权利要求1所述的基于关键词的问卷配置方法，其特征在于，将所述问卷样本集包含的所有子问题录入问题库，包括：
预先标注每个问卷样本的类别信息，并将所述类别信息作为每个问卷样本对应子问题的识别标识；
根据所述识别标识对各子问题进行分类，得到多个子问题集合，将所述子问题集合录入问题库。
4.根据权利要求1所述的基于关键词的问卷配置方法，其特征在于，根据所述配置文本对应特征从所述特征类库中获取匹配的特征链，修正所述匹配的特征链，包括：
获取所述文本对应的一个或多个关键词，构建关键词集合；
将所述关键词集合与特征类库中的特征链进行相似度比对，获取一个或多个匹配的特征链；
将所述一个或多个匹配的特征链中包含的关键特征进行组合调整，得到修正后的特征链，其中，组合调整包括：合并关键特征、调整关键特征的结构位置和/或增删关键特征。
5.根据权利要求4所述的基于关键词的问卷配置方法，其特征在于，将所述关键词集合与特征类库中的特征链进行相似度比对，获取一个或多个匹配的特征链，包括：
将所述关键词集合中各关键词对应的特征向量与特征链中各关键特征进行逐一比对，按照关键词特征向量与关键特征的匹配数量对特征链进行排序，并从排序结果中选出指定数量的特征链作为匹配特征链输出。
6.根据权利要求1或3所述的基于关键词的问卷配置方法，其特征在于，从所述问题库中获取与修正后的特征链匹配的子问题，生成所述配置文本对应的问卷信息，包括：
通过修正后的特征链匹配所述识别标识，获取对应的子问题集合；
将修正后的特征链中每个关键特征与获取的子问题集合中各子问题进行比对，获取匹配的子问题，并按照关键特征在特征链中的排布，设置对应子问题的排布结构，生成问卷信息。
7.根据权利要求6所述的基于关键词的问卷配置方法，其特征在于，当子问题集合中没有与关键特征匹配的子问题时，增设关键特征对应的子问题，并将增设的子问题用于更新对应的子问题集合。
8.一种基于关键词的问卷配置系统，其特征在于，包括：
样本获取模块，用于获取指定领域的问卷信息，构建问卷样本集；
特征类库创建模块，用于获取所述问卷样本集中每个问卷样本包含的多个子问题，根据各所述子问题对应的关键特征创建对应问卷样本的特征链，对各问卷样本对应的特征链进行聚类，获取多个特征类库；
问题库创建模块，用于创建问题库，并将所述问卷样本集包含的所有子问题录入问题库；
问卷配置模块，用于输入配置文本，根据所述配置文本对应特征从所述特征类库中获取匹配的特征链，修正所述匹配的特征链后，从所述问题库中获取与修正后的特征链匹配的子问题，生成所述配置文本对应的问卷信息。
9.一种基于关键词的问卷配置设备，其特征在于，包括：
一个或多个处理器；和
其上存储有指令的一个或多个机器可读介质，当所述一个或多个处理器执行时，使得所述设备执行如权利要求1-7中任一所述的方法。
10.一种机器可读介质，其特征在于，其上存储有指令，当由一个或多个处理器执行时，使得设备执行如权利要求1-7中任一所述的方法。
CN202110581503.2A 2021-05-27 2021-05-27 一种基于关键词的问卷配置方法、系统、设备和介质 Active CN113032574B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110581503.2A CN113032574B (zh) 2021-05-27 2021-05-27 一种基于关键词的问卷配置方法、系统、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110581503.2A CN113032574B (zh) 2021-05-27 2021-05-27 一种基于关键词的问卷配置方法、系统、设备和介质

Publications (2)

Publication Number Publication Date
CN113032574A true CN113032574A (zh) 2021-06-25
CN113032574B CN113032574B (zh) 2021-10-08

Family

ID=76455801

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110581503.2A Active CN113032574B (zh) 2021-05-27 2021-05-27 一种基于关键词的问卷配置方法、系统、设备和介质

Country Status (1)

Country Link
CN (1) CN113032574B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130218639A1 (en) * 2010-09-24 2013-08-22 Hitachi, Ltd. Questionnaire creation supporting system, questionnaire implementing apparatus, and recording medium
US20160095810A1 (en) * 2003-11-19 2016-04-07 Bio.Lo.Ga Cosmetic and/or dermatological compositions containing polyphenols stabilized by perfluoropolyether phosphates and use of perfluoropolyether phosphates as stabilizing agents for polyphenols
CN105824918A (zh) * 2016-03-16 2016-08-03 平安科技（深圳）有限公司 一种问卷生成方法及终端
CN108376151A (zh) * 2018-01-31 2018-08-07 深圳市阿西莫夫科技有限公司 问题分类方法、装置、计算机设备和存储介质
CN110147953A (zh) * 2019-05-16 2019-08-20 电子科技大学 一种调查问卷自动生成方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160095810A1 (en) * 2003-11-19 2016-04-07 Bio.Lo.Ga Cosmetic and/or dermatological compositions containing polyphenols stabilized by perfluoropolyether phosphates and use of perfluoropolyether phosphates as stabilizing agents for polyphenols
US20130218639A1 (en) * 2010-09-24 2013-08-22 Hitachi, Ltd. Questionnaire creation supporting system, questionnaire implementing apparatus, and recording medium
CN105824918A (zh) * 2016-03-16 2016-08-03 平安科技（深圳）有限公司 一种问卷生成方法及终端
CN108376151A (zh) * 2018-01-31 2018-08-07 深圳市阿西莫夫科技有限公司 问题分类方法、装置、计算机设备和存储介质
CN110147953A (zh) * 2019-05-16 2019-08-20 电子科技大学 一种调查问卷自动生成方法

Also Published As

Publication number Publication date
CN113032574B (zh) 2021-10-08

Similar Documents

Publication Publication Date Title
US11106716B2 (en) Automatic hierarchical classification and metadata identification of document using machine learning and fuzzy matching
Cerda et al. Encoding high-cardinality string categorical variables
US20210397980A1 (en) Information recommendation method and apparatus, electronic device, and readable storage medium
Chi et al. Splitting methods for convex clustering
CN111581976B (zh) 医学术语的标准化方法、装置、计算机设备及存储介质
CN109885768A (zh) 工单处理方法、装置及系统
US20200074242A1 (en) System and method for monitoring online retail platform using artificial intelligence
JP2019530063A (ja) 電子記録のタグ付けのためのシステム及び方法
US20170262491A1 (en) Automatic content-based append detection
CN112328655B (zh) 文本标签挖掘方法、装置、设备及存储介质
Masulli et al. Clustering high-dimensional data
Mathivanan et al. Analysis of k-means clustering algorithm: A case study using large scale e-commerce products
Zhang et al. A structural SVM approach for reference parsing
Pengcheng et al. Fast Chinese calligraphic character recognition with large-scale data
Rajender et al. An efficient dimensionality reduction based on adaptive-GSM and transformer assisted classification for high dimensional data
CN113032574B (zh) 一种基于关键词的问卷配置方法、系统、设备和介质
JP2016110256A (ja) 情報処理装置及び情報処理プログラム
WO2021009375A1 (en) A method for extracting information from semi-structured documents, a related system and a processing device
CN116127087A (zh) 一种知识图谱构建方法、装置、电子设备及存储介质
CN114817686A (zh) 基于搜索排序的数据查询方法、装置、设备及介质
CN113590845A (zh) 基于知识图谱的文献检索方法、装置、电子设备及介质
Lakhwani Big data classification techniques: A systematic literature
Yang et al. Automatic metadata information extraction from scientific literature using deep neural networks
CN111753199A (zh) 用户画像构建方法及设备、电子设备和介质
Wu et al. Supervised discrete matrix factorization hashing for cross-modal retrieval

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
TR01 Transfer of patent right

Effective date of registration: 20220714

Address after: 201615 room 1904, G60 Kechuang building, No. 650, Xinzhuan Road, Songjiang District, Shanghai

Patentee after: Shanghai Mingping Medical Data Technology Co.,Ltd.

Address before: 102400 no.86-n3557, Wanxing Road, Changyang, Fangshan District, Beijing

Patentee before: Mingpinyun (Beijing) data Technology Co.,Ltd.

TR01 Transfer of patent right