CN113050933B - 脑图数据处理方法、装置、设备及存储介质 - Google Patents
脑图数据处理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113050933B CN113050933B CN202110611169.0A CN202110611169A CN113050933B CN 113050933 B CN113050933 B CN 113050933B CN 202110611169 A CN202110611169 A CN 202110611169A CN 113050933 B CN113050933 B CN 113050933B
- Authority
- CN
- China
- Prior art keywords
- data
- option
- condition
- input
- function
- 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
- G06F8/00—Arrangements for software engineering
- G06F8/30—Creation or generation of source code
- G06F8/34—Graphical or visual programming
Landscapes
- Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- User Interface Of Digital Computer (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本申请实施例公开了一种脑图数据处理方法、装置、设备及存储介质,所述方法包括:确定目标脑图数据;提取所述目标脑图数据中的编程关联数据;其中,所述编程关联数据包括问题数据、选项数据和跳转逻辑中的至少一种;根据所述编程关联数据,生成编程文件;根据所述编程文件,生成问卷数据;通过上述技术方案,实现了问卷数据的自动生成,提高了问卷生成效率和所生成问卷的准确度。
Description
技术领域
本申请实施例涉及计算机技术领域,尤其涉及一种脑图数据处理方法、装置、设备及存储介质。
背景技术
脑图,也可称为思维导图,是表达发散性思维的有效图形思维工具。这种思维工具能够清晰地表现出信息的记忆重点和层次逻辑,提高记忆效率和思维能力,已广泛应用于日常生活、教学、管理和医疗等各个领域。
在实际应用中,可以根据脑图数据生成问卷数据,如在开展艾滋病初筛工作时,工作人员可以依据脑图数据向来访者询问一系列问题,这些问题的次序根据来访者回答的内容不同而有所变化。然而,上述问卷数据的生成需要人工参与进来,无法做到自动生成问卷数据。
因此,针对上述问题,亟待提出一种脑图数据处理方法,以自动生成问卷数据。
发明内容
本申请提供一种脑图数据处理方法、装置、设备及存储介质,以自动生成问卷数据。
第一方面,本申请实施例提供了一种脑图数据处理方法,该方法包括:
确定目标脑图数据;
提取所述目标脑图数据中的编程关联数据;其中,所述编程关联数据包括问题数据、选项数据和跳转逻辑中的至少一种;
根据所述编程关联数据,生成编程文件;
根据所述编程文件,生成问卷数据。
第二方面,本申请实施例还提供了一种脑图数据处理装置,该装置包括:
脑图数据确定模块,用于确定目标脑图数据;
关联数据提取模块,用于提取所述目标脑图数据中的编程关联数据;其中,所述编程关联数据包括问题数据、选项数据和跳转逻辑中的至少一种;
编程文件生成模块,用于根据所述编程关联数据,生成编程文件;
问卷数据生成模块,用于根据所述编程文件,生成问卷数据。
第三方面,本申请实施例还提供了一种电子设备,所述设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如第一方面实施例所提供的任意一种脑图数据处理方法。
第四方面,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实现如第一方面实施例所提供的任意一种脑图数据处理方法。
本申请实施例首先通过确定的目标脑图数据,提取出了目标脑图数据中的编程关联数据,其中,编程关联数据包括问题数据、选项数据和跳转逻辑中的至少一种,然后根据编程关联数据,生成编程文件,最后根据编程文件,生成了问卷数据;通过上述技术方案,根据编程关联数据,将脑图数据转换成了可供计算机执行的编程文件,根据编程文件,可以进一步生成问卷数据,实现了问卷数据的自动生成,使得问卷数据的生成更加智能和高效。
附图说明
图1是本申请实施例一提供的一种脑图数据处理方法的流程图;
图2是本申请实施例二提供的一种脑图数据处理方法的流程图;
图3是本申请实施例三提供的一种脑图数据处理方法的流程图;
图4是本申请实施例四提供的一种脑图数据处理装置的示意图;
图5是本申请实施例五提供的一种电子设备的示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理,但是其中的许多步骤可以被并行地、并发地或者同时实施。此外,各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例一
图1为本申请实施例一提供的一种脑图数据处理方法的流程图。本申请实施例可适用于根据脑图数据自动生成问卷数据的情况。该方法可以由一种脑图数据处理装置来执行,该装置可以由软件和/或硬件的方式实现,并具体配置于电子设备中,该电子设备可以是移动终端或固定终端。
参见图1,本申请实施例提供的脑图数据处理方法,包括:
S110、确定目标脑图数据。
其中,目标脑图数据是指待进行处理的脑图数据,也即待进行处理的思维导图数据。
例如,目标脑图数据可以是对设定事务的分类问题或评估问题的思维导图数据。
可选地,所述确定目标脑图数据,包括:获取至少一个原始脑图数据;对各所述原始脑图数据进行去重处理,以更新各所述原始脑图数据;根据更新后的各原始脑图数据,得到所述目标脑图数据。
其中,原始脑图数据可以是文本格式的脑图数据,或者,原始脑图数据也可以是图片格式的脑图数据。
去重处理可以是根据两个文本之间的编辑距离来进行去重;或者,也可以根据两个文本之间的汉明距离来进行去重。
可以理解的是,在对原始脑图数据进行去重处理时,两个文本之间的相似性度量非常关键,将直接影响到最终的去重效果。因此,可以根据实际需求去确定具体的文本去重方式。
可选地,若原始脑图数据为图片格式的脑图数据,则在对原始脑图数据进行去重处理之前,还需对图片格式的脑图数据进行识别,如可以采用OCR(Optical CharacterRecognition,光学字符识别)识别图片文字的方式,将图片格式的脑图数据转化为文本格式的脑图数据,便于后续对脑图数据进行去重处理。
在一些实施例中,为了提高数据去重的准确度,还可以考虑文本本身的语义信息,采用LDA(Linear Discriminant Analysis,线性判别分析)和NMF(Non-negative MatrixFactorization,非负矩阵分解)等自然语言分析模型,来对原始脑图数据进行去重处理。
可以理解的是,通过对原始多张脑图数据进行去重处理,将重复度高的文本进行了去除,使得最终合并得到的目标脑图数据更加简洁,有利于后续的数据分析,提高数据分析的准确度。
本实施例中,在对原始脑图数据进行去重处理时,可以动态维护一个结果集,初始状态下从任一原始脑图数据的文本中选取一条作为种子文本,添加至结果集中,随后遍历该原始脑图数据中的其他待去重文本,尝试将遍历到的每一条文本加入结果集;获取下一未去重的原始脑图数据,进行待去重文本遍历操作,直至遍历完各原始脑图数据。在添加过程中,计算该遍历到的文本与结果集中的每一条文本是否可以判定为相似,通过和相似性度量的阈值进行比较确定,如果该遍历到的文本与结果集中某条文本达到了相似的条件,则退出结果集的遍历,如果结果集中完全遍历仍未触发相似条件,则表明此次待去重的文本和已知结果集中的文本没有任何重复,此时可以将该文本添加到结果集中。去重处理完毕后的结果集中的文本可以作为目标脑图数据。
S120、提取目标脑图数据中的编程关联数据;其中,编程关联数据包括问题数据、选项数据和跳转逻辑中的至少一种。
其中,问题数据是指问卷调查报告中的问题;选项数据是指问卷调查报告中问题对应的选项。
跳转逻辑是指问卷调查报告中各答案和问题之间的跳转关系。例如,某一跳转逻辑可以是在问题A的答案为OP1时,才对用户展示问题B;或者,也可以是在问题A的答案为OP2时,对用户展示问题C。
具体地,在实际进行问卷调查时,通常会根据用户回答的问题内容来调整问卷调查报告,如不同用户的问题可能会不一样,即使问题一致,也有可能这些问题在问卷调查报告中的顺序是不同的。
本实施例中,可以只提取目标脑图数据中的问题数据,而选项数据和跳转逻辑可以采用预先设置的默认数据;或者,可以提取目标脑图数据中的问题数据和选项数据,跳转逻辑可以采用预先设置的默认数据;或者,可以提取目标脑图数据中的问题数据、选项数据和跳转逻辑;具体如何提取目标脑图数据中的编程关联数据,可以根据实际需求进行确定。
S130、根据编程关联数据,生成编程文件。
其中,生成的编程文件可以是JSON格式(JavaScript Object Notation,一种通用的数据交换格式)的编程文件,当然也可以是C++、C#和C等格式的编程文件。
本申请实施例对编程文件的具体类型不做任何限定,具体编程文件的格式,可以根据实际需求进行设置。当然,在生成某一特定格式的编程文件之后,可以根据编程语言之间的转换关系,将该编程文件转换成所需的编程文件格式进行使用。
可以理解的是,在生成编程文件之后,可以很方便地对编程文件进行存储和使用,如可以将编程文件嵌入到电脑、手机或机器人等设备中。
S140、根据编程文件,生成问卷数据。
具体地,若编程文件为JSON格式的编程文件,则可以使用问卷引擎解析JSON编程文件得到问卷题目,以及题目之间的关联关系。同时,可以使用问卷渲染器将解析得到的问卷转化为图形界面,以供交互;或者,可以使用自然语言处理引擎将问题通过人机对话方式交互。
以脑图数据应用于医疗领域为例,在开展艾滋病初筛工作时,工作人员可以依据脑图逻辑向来访者询问一系列问题,这些问题的次序会根据来访者回答问题的内容不同而有变化。然而,由于有些问题偏敏感,来访者在面对工作人员询问时可能因为害羞或隐私被揭露等顾虑,使得回答问题的内容有所保留甚至失真,从而降低了来访者分类结果准确度。
因此,可以将编程文件具体设置于机器人中,让机器人根据编程文件来自动生成问卷数据,通过机器人与来访者的交互,在没有工作人员的参与下,可以为来访者营造私密的环境,保证来访者不会有心理负担,从而保证来访者在进行问卷调查时,回答问题的准确性。
可以理解的是,通过机器人代替医护人员完成相应的问卷调查工作,实现了问卷数据的自动生成,在提升问卷调查效率的同时,还提高了艾滋病初筛的准确率。
本申请实施例首先通过确定的目标脑图数据,提取出了目标脑图数据中的编程关联数据,其中,编程关联数据包括问题数据、选项数据和跳转逻辑中的至少一种,然后根据编程关联数据,生成编程文件,最后根据编程文件,生成了问卷数据;通过上述技术方案,根据编程关联数据,将脑图数据转换成了可供计算机执行的编程文件,根据编程文件,可以进一步生成问卷数据,实现了问卷数据的自动生成,使得问卷数据的生成更加智能和高效。
实施例二
图2为本申请实施例二提供的一种脑图数据处理方法的流程图,本实施例是在上述实施例的基础上,对上述方案的优化。
进一步地,将操作“提取所述目标脑图数据中的编程关联数据”,细化为“根据所述目标脑图数据中的标签类别,将所述目标脑图数据拆分成所述问题数据和所述选项数据;其中,所述标签类别包括问题标签和选项标签”,和/或,“采用逻辑运算符,根据所述问题数据和所述选项数据之间的层级关系,生成所述跳转逻辑”,以明确编程关联数据的提取过程。
其中与上述实施例相同或相应的术语的解释在此不再赘述。
参见图2,本实施例提供的脑图数据处理方法,包括:
S210、确定目标脑图数据。
S220、根据目标脑图数据中的标签类别,将目标脑图数据拆分成问题数据和选项数据;其中,标签类别包括问题标签和选项标签。
其中,标签类别是指在录入脑图数据时,预先给脑图数据中的问题和选项进行标注的,用于对脑图数据中的问题和选项进行区别,同时,在给脑图数据中的问题与选项进行标注时,需要保证每一个问题与选项都有唯一的关联关系,也即问卷调查报告中的问题与选项是相互对应的。
可选地,还可以采用语义分析的方法,对脑图数据中的问题和选项数据进行识别,从而可以将目标脑图数据拆分成问题数据和选项数据。
可以理解的是,通过语义分析的方法来对脑图数据中的问题和选项进行标注,可以让机器来代替人工进行工作,实现对大规模数据量的处理。同时,为了保证识别结果的准确性,可以采用人工校验的方式,对识别得到的问题和选项进行检查。
S230、采用逻辑运算符,根据问题数据和选项数据之间的层级关系,生成跳转逻辑。
其中,逻辑运算符包括与、或以及非等运算符。
层级关系是指问卷调查报告中各问题和选项之间的层级关系。
本实施例中,可以通过与、或以及非逻辑运算符的组合,来生成问题和选项之间的跳转逻辑。例如,问题A、B和C分别是脑图数据中的三个问题,其中,问题A有两个选项,分别为OP1和OP2;问题B有两个选项,分别为OP3和OP4。则在问题A、B和C之间,可以生成的一种跳转逻辑是:当且仅当问题A的选项为OP1,且问题B的选项为OP4时,才展示问题C,也即通过父层级问题A和B的选项,来得到子层级问题C是否展示的布尔值。
可以理解的是,通过采用逻辑运算符,对问卷调查报告中的问题和选项之间的层级关系进行表示,可以提炼出完整的跳转逻辑。进一步地,根据跳转逻辑,可以识别得到唯一的逻辑起点,从而作为问卷数据的入口。
在一些实施例中,若目标脑图数据为图片格式的脑图数据,还可以通过识别脑图数据中的箭头标识,来确定问题数据和选项数据之间的层级关系。进一步地,在确定出问题数据和选项数据之间的层级关系之后,可以采用逻辑运算符,来生成跳转逻辑。
可选地,所述层级关系为节点树;所述节点树中的节点对应所述问题数据或所述选项数据;其中,父节点与子节点之间具备问答关系或跳转关系。
其中,节点树是一种数据结构,它是由至少一个有限节点组成一个具有层次关系的数据集合。
可以理解的是,通过节点树这种数据结构,将问题数据和选项数据之间的层级关系进行存储表示,可以提高数据查找的效率,加快程序的运行。
S240、根据编程关联数据,生成编程文件;其中,编程关联数据包括问题数据、选项数据和跳转逻辑。
本实施例中,编程关联数据包括问题数据、选项数据和跳转逻辑,可以根据问题数据、选项数据和跳转逻辑,来自动生成编程文件。
S250、根据编程文件,生成问卷数据。
本申请实施例在上述实施例的基础上,对提取目标脑图数据中的编程关联数据这一过程进行了具体细化,在根据目标脑图数据中的标签类别,将目标脑图数据拆分成问题数据和选项数据的同时,还采用逻辑运算符,根据问题数据和选项数据之间的层级关系,生成了跳转逻辑;通过上述技术方案,从脑图数据中识别得到了问题数据和选项数据,并根据问题数据和选项数据之间的层级关系,生成了跳转逻辑,使得可以根据编程关联数据中的问题数据、选项数据和跳转逻辑来生成问卷数据,实现了问卷数据的自动生成,使得问卷数据的生成更加智能和高效。
实施例三
图3为本申请实施例三提供的一种脑图数据处理方法的流程图,本实施例是在上述实施例的基础上,对上述方案的优化。
进一步地,编程关联数据还可以包括限制条件数据,相应地,还可以将操作“提取所述目标脑图数据中的编程关联数据”,细化为“根据所述选项数据中的候选项数量,选取所述选项数据中的输入型选项数据;根据所述输入型选项数据对应的限制条件类别,确定所述输入型选项数据对应的条件函数;生成包括各所述输入型选项数据的条件函数的限制条件数据”,以完善限制条件数据的提取过程。
其中与上述实施例相同或相应的术语的解释在此不再赘述。
参见图3,本实施例提供的脑图数据处理方法,包括:
S310、确定目标脑图数据。
S320、根据目标脑图数据中的标签类别,将目标脑图数据拆分成问题数据和选项数据;其中,标签类别包括问题标签和选项标签。
S330、采用逻辑运算符,根据问题数据和选项数据之间的层级关系,生成跳转逻辑。
S340、根据选项数据中的候选项数量,选取选项数据中的输入型选项数据。
其中,候选项数量是指问卷调查报告中问题对应的选项个数,根据候选项数量,可以将问题划分为单选题、多选题和自定义输入题,其中,自定义输入题没有选项,需要用户自己输入信息,对应的是输入型选项数据。
S350、根据输入型选项数据对应的限制条件类别,确定输入型选项数据对应的条件函数。
其中,限制条件类别是指对输入型选项数据进行限制的条件类别,可以根据实际情况为不同的输入型选项数据预先设置不同的限制条件类别。
例如,可以是对输入型选项数据的输入内容、输入格式和输入日期等进行限制,当然,也可以对部分输入型选项数据不进行任何条件限制。
本实施例中,可以根据实际的问卷调查背景,为不同的自定义输入题设置合适的限制条件类别。
可以理解的是,根据输入型选项数据设置的限制条件类别的不同,可以对应选取不同的条件函数,来自动实现对用户自定义输入数据进行判断,从而实现复杂的判断逻辑。
可选地,所述根据所述输入型选项数据对应的限制条件类别,确定所述输入型选项数据对应的条件函数,包括下述至少一种:
若所述输入型选项数据对应的限制条件类别为必填型,则将必填判定函数作为所述输入型选项数据对应的条件函数;其中,所述必填判定函数在输入为空时返回错误提醒;
若所述输入型选项数据对应的限制条件类别为日期型,则将日期判定函数作为所述输入型选项数据对应的条件函数;其中,所述日期判定函数在输入日期超出预设日期区间时,返回错误提醒;
若所述输入型选项数据对应的限制条件为互斥型,则将互斥判定函数作为所述输入型选项数据对应的条件函数;其中,所述互斥判定函数在输入数据包括互斥选项时,返回错误提醒;
若所述输入型选项数据对应的限制条件为敏感型,则将敏感判定函数作为所述输入型选项数据对应的条件函数;其中,所述敏感判定函数在输入数据包括设定选项时,返回设定问卷结果。
其中,设定选项可以是根据实际的问卷调查背景,预先确定的选项数据,设定选项的数量可以是至少一个;设定问卷结果可以是返回错误提醒,或者,也可以是程序直接返回,结束问卷。
具体地,上述各条件函数用编码函数可以表示为:必填判定函数用isRequired()表示;日期判定函数用validateDate()表示;互斥判定函数可以用validateOptions()表示,如validateOptions(options1,options2,user_options)表示用户输入选项unique_options是否同时包括options1和options2对应的互斥选项,其中,user_options表示用户的输入型选项数据;敏感判定函数可以用validateUnclear()表示,如validateUnclear(user_options,unique_options)表示判定用户所输入选项user_options是否包含unique_options对应的敏感选项,如果用户的输入型选项数据包含敏感选项,则可以返回false,其中,false在分类问卷中可以表征某一设定类别,或者在评估问卷中可以表征某一设定等级。
例如,在餐饮类职业匹配问卷中,可以预先设定健康证的持有情况作为敏感选项;若用户的输入型选项数据为“非持有用户”,则直接反馈表征职业不匹配的false结果。又如,在律师类职业匹配问卷中,可以预先设定律师职业资格的持有情况作为敏感选项;若用户的输入型数据为“非持有用户”,则直接反馈表征职业不匹配的false结果。
当然,还可以将各条件函数进行组合使用,如可以将敏感判定函数和互斥判定函数进行组合使用,用于判定用户在该问题对应的自定义输入选项中是否同时包含敏感选项和包括互斥选项。为了便于判定,还可以设置一个新的函数validateOptionsAndUnclear(),用于同时进行敏感选项和互斥选项的关联判定,如validateOptionsAndUnclear(options1,options2,user_options,unique_options)表示判定用户所输入选项user_options中是否包含options1和options2所限定的互斥选项,以及判定用户的输入选项是否包含uniqueOptions所限定的敏感选项。如果用户的输入型选项数据包含敏感选项,则可以返回false,其中,false在分类问卷中可以表征某一设定类别,或者在评估问卷中可以表征某一设定等级。
可以理解的是,通过必填判定函数、日期判定函数、互斥判定函数和敏感判定函数,对用户的输入信息进行了日期和内容方面的限制,实现了自动对用户的输入信息进行判断的逻辑。
S360、生成包括各输入型选项数据的条件函数的限制条件数据。
其中,限制条件数据是指生成的一种有效性规则,用来限制用户的输入信息。
可以理解的是,生成的包括各输入型选项数据的条件函数的限制条件数据,可以实现更复杂和完善的问卷调查逻辑,为后续生成编程文件提供了数据支撑。
S370、根据编程关联数据,生成编程文件;其中,编程关联数据包括问题数据、选项数据、跳转逻辑和限制条件数据。
本实施例中,在编程关联数据包括问题数据、选项数据和跳转逻辑的基础上,还考虑了限制条件数据,其中,限制条件数据用于对问卷数据中的用户自定义输入数据进行限制和判断,从而实现更复杂和完善的问卷调查逻辑。
S380、根据编程文件,生成问卷数据。
本申请实施例在上述实施例的基础上,进一步对编程关联数据进行完善,编程关联数据还可以包括限制条件数据,通过根据选项数据中的候选项数量,选取选项数据中的输入型选项数据,根据输入型选项数据对应的限制条件类别,确定输入型选项数据对应的条件函数,生成包括各所述输入型选项数据的条件函数的限制条件数据;通过上述技术方案,在编程关联数据包括问题数据、选项数据和跳转逻辑的基础上,还考虑了限制条件数据,其中,限制条件数据用于对问卷数据中的用户自定义输入数据进行限制和判断,根据生成的包括各输入型选项数据的条件函数的限制条件数据,实现了更加复杂的问卷逻辑,有利于优化和完善问卷数据的自动生成。
实施例四
图4是本申请实施例四提供的一种脑图数据处理装置的结构示意图。参见图4,本申请实施例提供的一种脑图数据处理装置,该装置包括:脑图数据确定模块410、关联数据提取模块420、编程文件生成模块430和问卷数据生成模块440。
脑图数据确定模块410,用于确定目标脑图数据;
关联数据提取模块420,用于提取所述目标脑图数据中的编程关联数据;其中,所述编程关联数据包括问题数据、选项数据和跳转逻辑中的至少一种;
编程文件生成模块430,用于根据所述编程关联数据,生成编程文件;
问卷数据生成模块440,用于根据所述编程文件,生成问卷数据。
本申请实施例首先通过确定的目标脑图数据,提取出了目标脑图数据中的编程关联数据,其中,编程关联数据包括问题数据、选项数据和跳转逻辑中的至少一种,然后根据编程关联数据,生成编程文件,最后根据编程文件,生成了问卷数据;通过上述技术方案,根据编程关联数据,将脑图数据转换成了可供计算机执行的编程文件,根据编程文件,可以进一步生成问卷数据,实现了问卷数据的自动生成,使得问卷数据的生成更加智能和高效。
进一步地,所述脑图数据确定模块410,包括:
原始脑图数据获取单元,用于获取至少一个原始脑图数据;
脑图数据更新单元,用于对各所述原始脑图数据进行去重处理,以更新各所述原始脑图数据;
目标脑图数据确定单元,用于根据更新后的各原始脑图数据,得到所述目标脑图数据。
进一步的,脑图数据更新单元,包括:
种子文本选取子单元,用于从任一原始脑图数据的文本中选取一条作为种子文本,添加至结果集中;
结果集添加子单元,用于遍历该原始脑图数据中的待去重文本,并将当前遍历到与所述结果集中的各文本不满足相似条件的待去重文本,添加至所述结果集中;
循环遍历子单元,用于获取下一未去重的原始脑图数据,进行待去重文本遍历操作,直至遍历完各所述原始脑图数据;
相应的,目标脑图数据确定单元,包括:
目标脑图数据确定子单元,用于将遍历结束后得到的结果集中的文本作为所述目标脑图数据。
进一步地,所述关联数据提取模块420,包括:
拆分单元,用于根据所述目标脑图数据中的标签类别,将所述目标脑图数据拆分成所述问题数据和所述选项数据;其中,所述标签类别包括问题标签和选项标签。
进一步地,所述关联数据提取模块420,包括:
跳转逻辑生成单元,用于采用逻辑运算符,根据所述问题数据和所述选项数据之间的层级关系,生成所述跳转逻辑。
进一步地,所述层级关系为节点树;所述节点树中的节点对应所述问题数据或所述选项数据;其中,父节点与子节点之间具备问答关系或跳转关系。
进一步地,所述编程关联数据还包括限制条件数据;相应地,所述关联数据提取模块420,还包括:
数据选取单元,用于根据所述选项数据中的候选项数量,选取所述选项数据中的输入型选项数据;
条件函数确定单元,用于根据所述输入型选项数据对应的限制条件类别,确定所述输入型选项数据对应的条件函数;
限制条件数据生成单元,用于生成包括各所述输入型选项数据的条件函数的限制条件数据。
进一步地,所述条件函数确定单元,包括下述至少一个子单元:
必填判定函数子单元,用于若所述输入型选项数据对应的限制条件类别为必填型,则将必填判定函数作为所述输入型选项数据对应的条件函数;其中,所述必填判定函数在输入为空时返回错误提醒;
日期判定函数子单元,用于若所述输入型选项数据对应的限制条件类别为日期型,则将日期判定函数作为所述输入型选项数据对应的条件函数;其中,所述日期判定函数在输入日期超出预设日期区间时,返回错误提醒;
互斥判定函数子单元,用于若所述输入型选项数据对应的限制条件为互斥型,则将互斥判定函数作为所述输入型选项数据对应的条件函数;其中,所述互斥判定函数在输入数据包括互斥选项时,返回错误提醒;
敏感判定函数子单元,用于若所述输入型选项数据对应的限制条件为敏感型,则将敏感判定函数作为所述输入型选项数据对应的条件函数;其中,所述敏感判定函数在输入数据包括设定选项时,返回设定问卷结果。
本申请实施例所提供的脑图数据处理装置可执行本申请任意实施例所提供的脑图数据处理方法,具备执行方法相应的功能模块和有益效果。
实施例五
图5是本发明实施例五提供的一种电子设备的结构图。图5示出了适于用来实现本发明实施方式的示例性电子设备512的框图。图5显示的电子设备512仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图5所示,电子设备512以通用计算设备的形式表现。电子设备512的组件可以包括但不限于:一个或者多个处理器或者处理单元516,系统存储器528,连接不同系统组件(包括系统存储器528和处理单元516)的总线518。
总线518表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备512典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备512访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器528可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)530和/或高速缓存存储器532。电子设备512可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统534可以用于读写不可移动的、非易失性磁介质(图5未显示,通常称为“硬盘驱动器”)。尽管图5中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线518相连。系统存储器528可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块542的程序/实用工具540,可以存储在例如系统存储器528中,这样的程序模块542包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块542通常执行本发明所描述的实施例中的功能和/或方法。
电子设备512也可以与一个或多个外部设备514(例如键盘、指向设备、显示器524等)通信,还可与一个或者多个使得用户能与该电子设备512交互的设备通信,和/或与使得该电子设备512能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口522进行。并且,电子设备512还可以通过网络适配器520与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器520通过总线518与电子设备512的其它模块通信。应当明白,尽管图5中未示出,可以结合电子设备512使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元516通过运行存储在系统存储器528中的多个程序中其他程序的至少一个,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的脑图数据处理方法。
实施例六
本申请实施例六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实现本发明任一实施例所提供的一种脑图数据处理方法,该方法包括:
确定目标脑图数据;
提取所述目标脑图数据中的编程关联数据;其中,所述编程关联数据包括问题数据、选项数据和跳转逻辑中的至少一种;
根据所述编程关联数据,生成编程文件;
根据所述编程文件,生成问卷数据;
其中,所述提取所述目标脑图数据中的跳转逻辑,包括:
采用逻辑运算符,根据所述问题数据和所述选项数据之间的层级关系,生成所述跳转逻辑。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本申请可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。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可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory, ROM)、随机存取存储器(RandomAccess Memory, RAM)、闪存(FLASH)、硬盘或光盘等,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的方法。
值得注意的是,上述脑图数据处理装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。
注意,上述仅为本申请的较佳实施例及所运用技术原理。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,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由所附的权利要求范围决定。
Claims (7)
1.一种脑图数据处理方法,其特征在于,包括:
确定目标脑图数据;
提取所述目标脑图数据中的编程关联数据;其中,所述编程关联数据包括问题数据、选项数据和跳转逻辑;
根据所述编程关联数据,生成编程文件;
根据所述编程文件,生成问卷数据;
其中,所述提取所述目标脑图数据中的编程关联数据,包括:
根据所述目标脑图数据中的标签类别,将所述目标脑图数据拆分成所述问题数据和所述选项数据;其中,所述标签类别包括问题标签和选项标签;
其中,所述提取所述目标脑图数据中的跳转逻辑,包括:
采用逻辑运算符,根据所述问题数据和所述选项数据之间的层级关系,生成所述跳转逻辑;其中,所述逻辑运算符包括与、或以及非运算符;
其中,所述编程关联数据还包括限制条件数据;相应的,提取所述目标脑图数据中的编程关联数据,还包括:
根据所述选项数据中的候选项数量,选取所述选项数据中的输入型选项数据;
根据所述输入型选项数据对应的限制条件类别,确定所述输入型选项数据对应的条件函数;
生成包括各所述输入型选项数据的条件函数的限制条件数据;
其中,所述根据所述输入型选项数据对应的限制条件类别,确定所述输入型选项数据对应的条件函数,包括下述至少一种:
若所述输入型选项数据对应的限制条件类别为必填型,则将必填判定函数作为所述输入型选项数据对应的条件函数;其中,所述必填判定函数在输入为空时,返回错误提醒;
若所述输入型选项数据对应的限制条件类别为日期型,则将日期判定函数作为所述输入型选项数据对应的条件函数;其中,所述日期判定函数在输入日期超出预设日期区间时,返回错误提醒;
若所述输入型选项数据对应的限制条件为互斥型,则将互斥判定函数作为所述输入型选项数据对应的条件函数;其中,所述互斥判定函数在输入数据包括互斥选项时,返回错误提醒;
若所述输入型选项数据对应的限制条件为敏感型,则将敏感判定函数作为所述输入型选项数据对应的条件函数;其中,所述敏感判定函数在输入数据包括设定选项时,返回设定问卷结果。
2.根据权利要求1所述的方法,其特征在于,所述层级关系为节点树;所述节点树中的节点对应所述问题数据或所述选项数据;其中,父节点与子节点之间具备问答关系或跳转关系。
3.根据权利要求1所述的方法,其特征在于,所述确定目标脑图数据,包括:
获取至少一个原始脑图数据;
对各所述原始脑图数据进行去重处理,以更新各所述原始脑图数据;
根据更新后的各原始脑图数据,得到所述目标脑图数据。
4.根据权利要求3所述的方法,其特征在于,所述对各所述原始脑图数据进行去重处理,以更新各所述原始脑图数据,包括:
从任一原始脑图数据的文本中选取一条作为种子文本,添加至结果集中;
遍历该原始脑图数据中的待去重文本,并将当前遍历到与所述结果集中的各文本不满足相似条件的待去重文本,添加至所述结果集中;
获取下一未去重的原始脑图数据,进行待去重文本遍历操作,直至遍历完各所述原始脑图数据;
相应的,所述根据更新后的各原始脑图数据,得到所述目标脑图数据,包括:
将遍历结束后得到的结果集中的文本作为所述目标脑图数据。
5.一种脑图数据处理装置,其特征在于,包括:
脑图数据确定模块,用于确定目标脑图数据;
关联数据提取模块,用于提取所述目标脑图数据中的编程关联数据;其中,所述编程关联数据包括问题数据、选项数据和跳转逻辑;
编程文件生成模块,用于根据所述编程关联数据,生成编程文件;
问卷数据生成模块,用于根据所述编程文件,生成问卷数据;
其中,所述关联数据提取模块,包括:
拆分单元,用于根据所述目标脑图数据中的标签类别,将所述目标脑图数据拆分成所述问题数据和所述选项数据;其中,所述标签类别包括问题标签和选项标签;
其中,所述关联数据提取模块,包括:
跳转逻辑生成单元,用于采用逻辑运算符,根据所述问题数据和所述选项数据之间的层级关系,生成所述跳转逻辑;其中,所述逻辑运算符包括与、或以及非运算符;
其中,所述编程关联数据还包括限制条件数据;相应的,所述关联数据提取模块,还包括:
数据选取单元,用于根据所述选项数据中的候选项数量,选取所述选项数据中的输入型选项数据;
条件函数确定单元,用于根据所述输入型选项数据对应的限制条件类别,确定所述输入型选项数据对应的条件函数;
限制条件数据生成单元,用于生成包括各所述输入型选项数据的条件函数的限制条件数据;
其中,所述条件函数确定单元,包括下述至少一个子单元:
必填判定函数子单元,用于若所述输入型选项数据对应的限制条件类别为必填型,则将必填判定函数作为所述输入型选项数据对应的条件函数;其中,所述必填判定函数在输入为空时,返回错误提醒;
日期判定函数子单元,用于若所述输入型选项数据对应的限制条件类别为日期型,则将日期判定函数作为所述输入型选项数据对应的条件函数;其中,所述日期判定函数在输入日期超出预设日期区间时,返回错误提醒;
互斥判定函数子单元,用于若所述输入型选项数据对应的限制条件为互斥型,则将互斥判定函数作为所述输入型选项数据对应的条件函数;其中,所述互斥判定函数在输入数据包括互斥选项时,返回错误提醒;
敏感判定函数子单元,用于若所述输入型选项数据对应的限制条件为敏感型,则将敏感判定函数作为所述输入型选项数据对应的条件函数;其中,所述敏感判定函数在输入数据包括设定选项时,返回设定问卷结果。
6.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-4中任一项所述的一种脑图数据处理方法。
7.一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,该程序被处理器执行时实现如权利要求1-4中任一项所述的一种脑图数据处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110611169.0A CN113050933B (zh) | 2021-06-02 | 2021-06-02 | 脑图数据处理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110611169.0A CN113050933B (zh) | 2021-06-02 | 2021-06-02 | 脑图数据处理方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113050933A CN113050933A (zh) | 2021-06-29 |
CN113050933B true CN113050933B (zh) | 2022-04-12 |
Family
ID=76518603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110611169.0A Active CN113050933B (zh) | 2021-06-02 | 2021-06-02 | 脑图数据处理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113050933B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115857910B (zh) * | 2023-03-01 | 2023-06-06 | 杭州义益钛迪信息技术有限公司 | 一种边缘计算采集器的编程方法、装置、服务器及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE2260662A1 (de) * | 1971-12-30 | 1973-07-05 | Ibm | Verfahren zur erstellung und auswertung eines fragebogens |
KR20010034985A (ko) * | 2000-06-19 | 2001-05-07 | 이병철 | 온라인 설문 조사 및 통계결과 보고서 제공 서비스 시스템 |
TW200538965A (en) * | 2004-05-26 | 2005-12-01 | Chunghwa Telecom Co Ltd | Automatic question-jumping operation function generation method applied to automatic web questionnaire generation system |
TW200919210A (en) * | 2007-07-18 | 2009-05-01 | Steven Kays | Adaptive electronic design |
CN108563384A (zh) * | 2018-04-17 | 2018-09-21 | 泰康保险集团股份有限公司 | 一种基于问卷的交互方法及相关设备 |
CN109325868A (zh) * | 2018-09-03 | 2019-02-12 | 中国平安人寿保险股份有限公司 | 问卷数据处理方法、装置、计算机设备和存储介质 |
CN109656548A (zh) * | 2018-12-20 | 2019-04-19 | 深圳源中瑞科技有限公司 | 一种自定义问卷开发方法和存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106294664B (zh) * | 2016-08-03 | 2018-04-13 | 广州视睿电子科技有限公司 | 一种生成思维导图的方法和装置 |
CN107133271B (zh) * | 2017-04-01 | 2021-04-06 | 上海半坡网络技术有限公司 | 语义脑图实时表达系统及其操作方法 |
CN111414168B (zh) * | 2020-03-25 | 2022-09-16 | 北京星辰天合科技股份有限公司 | 基于思维导图的Web应用开发方法及装置、电子设备 |
CN111859869B (zh) * | 2020-07-13 | 2023-06-16 | 米哈游科技(上海)有限公司 | 一种问卷编辑方法、装置、电子设备及存储介质 |
CN112559769B (zh) * | 2020-12-15 | 2024-04-16 | 上海钛米机器人股份有限公司 | 问答数据库的生成方法和装置 |
CN112767034A (zh) * | 2021-01-22 | 2021-05-07 | 深圳思为科技有限公司 | 一种购房资格测试的方法及装置 |
-
2021
- 2021-06-02 CN CN202110611169.0A patent/CN113050933B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE2260662A1 (de) * | 1971-12-30 | 1973-07-05 | Ibm | Verfahren zur erstellung und auswertung eines fragebogens |
KR20010034985A (ko) * | 2000-06-19 | 2001-05-07 | 이병철 | 온라인 설문 조사 및 통계결과 보고서 제공 서비스 시스템 |
TW200538965A (en) * | 2004-05-26 | 2005-12-01 | Chunghwa Telecom Co Ltd | Automatic question-jumping operation function generation method applied to automatic web questionnaire generation system |
TW200919210A (en) * | 2007-07-18 | 2009-05-01 | Steven Kays | Adaptive electronic design |
CN108563384A (zh) * | 2018-04-17 | 2018-09-21 | 泰康保险集团股份有限公司 | 一种基于问卷的交互方法及相关设备 |
CN109325868A (zh) * | 2018-09-03 | 2019-02-12 | 中国平安人寿保险股份有限公司 | 问卷数据处理方法、装置、计算机设备和存储介质 |
CN109656548A (zh) * | 2018-12-20 | 2019-04-19 | 深圳源中瑞科技有限公司 | 一种自定义问卷开发方法和存储介质 |
Non-Patent Citations (1)
Title |
---|
基于ASP.NET控件的网络问卷自动生成系统的设计与实现;易锋;《计算机应用与软件》;20081130;184-185 * |
Also Published As
Publication number | Publication date |
---|---|
CN113050933A (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108897867B (zh) | 用于知识问答的数据处理方法、装置、服务器和介质 | |
CN108052577B (zh) | 一种通用文本内容挖掘方法、装置、服务器及存储介质 | |
US20200257659A1 (en) | Method and apparatus for determing description information, electronic device and computer storage medium | |
CN111680634B (zh) | 公文文件处理方法、装置、计算机设备及存储介质 | |
CN111159220B (zh) | 用于输出结构化查询语句的方法和装置 | |
EP4006909B1 (en) | Method, apparatus and device for quality control and storage medium | |
CN112836018A (zh) | 应急预案的处理方法及装置 | |
CN114240160A (zh) | 电子病历的质控方法、装置、电子设备及存储介质 | |
CN117668180A (zh) | 文档问答方法、文档问答设备以及可读存储介质 | |
CN113050933B (zh) | 脑图数据处理方法、装置、设备及存储介质 | |
CN113127617B (zh) | 通用领域知识图谱的知识问答方法、终端设备及存储介质 | |
CN112288584B (zh) | 保险报案处理方法、装置、计算机可读介质及电子设备 | |
CN112966076A (zh) | 智能问答问题的生成方法、装置、计算机设备及存储介质 | |
CN114842982B (zh) | 一种面向医疗信息系统的知识表达方法、装置及系统 | |
CN111753062A (zh) | 一种会话应答方案确定方法、装置、设备及介质 | |
CN110826330B (zh) | 人名识别方法及装置、计算机设备及可读存储介质 | |
CN113326365A (zh) | 回复语句生成方法、装置、设备及存储介质 | |
KR102118322B1 (ko) | 원문과 번역문 파일을 개별적으로 생성하는 문서 번역 서버 및 번역 방법 | |
CN111859985A (zh) | Ai客服模型测试方法、装置、电子设备及存储介质 | |
CN112287738A (zh) | 图形控件的文本匹配方法及装置、介质、电子设备 | |
CN113515588A (zh) | 表单数据检测方法、计算机装置及存储介质 | |
CN108932326B (zh) | 一种实例扩展方法、装置、设备和介质 | |
CN113487698B (zh) | 基于双通道神经网络模型的表单生成方法及装置 | |
CN112784591B (zh) | 数据的处理方法、装置、电子设备和存储介质 | |
CN114611497B (zh) | 语病诊断模型的训练方法、语病诊断方法、装置及设备 |
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 |