CN113688262A - 数据归类方法 - Google Patents

数据归类方法 Download PDF

Info

Publication number
CN113688262A
CN113688262A CN202111021961.7A CN202111021961A CN113688262A CN 113688262 A CN113688262 A CN 113688262A CN 202111021961 A CN202111021961 A CN 202111021961A CN 113688262 A CN113688262 A CN 113688262A
Authority
CN
China
Prior art keywords
test question
image data
user
test
user terminal
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
CN202111021961.7A
Other languages
English (en)
Inventor
田雪松
陈天
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.)
Beijing Yundie Zhixue Technology Co ltd
Original Assignee
Beijing Yundie Zhixue 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 Beijing Yundie Zhixue Technology Co ltd filed Critical Beijing Yundie Zhixue Technology Co ltd
Priority to CN202111021961.7A priority Critical patent/CN113688262A/zh
Publication of CN113688262A publication Critical patent/CN113688262A/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
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/53—Querying
    • G06F16/532—Query formulation, e.g. graphical querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/5846—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using extracted text
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Library & Information Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种数据归类方法，所述方法包括：用户终端根据用户输入的获取指令获取待识别图像数据；用户终端对待识别图像数据进行降噪处理，得到降噪后的待识别图像数据并发送至服务器；服务器根据神经网络模型对待识别图像数据进行识别处理，得到试题文本信息；试题文本信息包括一个或多个试题特征参数；根据试题特征参数在试题类型数据库中查询匹配得到与试题特征参数相对应的试题类型信息；根据试题类型信息确定试题存储数据库；将试题文本信息存储入试题存储数据库中。本发明实施例提供的数据归类方法，通过根据试题特征将试题存储入各个试题存储数据库中，使得试题可以按类别归类存储，有利于用户后续根据试题类别有效、精准的查询试题。

Description

数据归类方法
技术领域
本发明涉及数据处理技术领域，尤其涉及数据归类方法。
背景技术
随着社会经济的快速稳定发展，以及国家对教育信息化大力支持，尤其是对基础教育信息化的资金扶持，加快了教育信息化的建设步伐。自教育踏上软件市场这个舞台之后，随着互联网技术的日新月异并逐步普及，以及国家对教育培训产业的重视和投资力度的加大，教育软件已经占领整个软件市场的三分之一份额，与办公软件、财务软件形成三分天下的局面。
在现有的教育软件中，软件中的试题都是无序存储在题库中的，在用户想要查询题库中的试题时，查询速度慢，且通常无法有效、精准的查询到用户所需的试题。
发明内容
本发明的目的是针对现有技术的缺陷，提供一种数据归类方法，通过根据试题特征将试题存储入各个试题存储数据库中，使得试题可以按类别归类存储，有利于用户后续根据试题类别有效、精准的查询试题。
为实现上述目的，本发明提供了数据归类方法，所述数据归类方法包括：
用户终端根据用户输入的获取指令获取待识别图像数据；
所述用户终端对所述待识别图像数据进行降噪处理，得到降噪后的待识别图像数据并发送至服务器；
所述服务器根据神经网络模型对所述待识别图像数据进行识别处理，得到试题文本信息；所述试题文本信息包括一个或多个试题特征参数；
根据所述试题特征参数在试题类型数据库中查询匹配得到与所述试题特征参数相对应的试题类型信息；
根据所述试题类型信息确定试题存储数据库；
将所述试题文本信息存储入所述试题存储数据库中。
优选的，所述用户终端根据用户输入的获取指令获取待识别图像数据具体为：
所述用户终端根据所述用户输入的获取指令获取原始图像数据，并显示；
接收所述用户根据所述原始图像数据输入的区域选择指令，根据所述区域选择指令得到所述待识别图像数据。
优选的，所述降噪处理包括调整待识别图像数据大小和灰度处理。
优选的，在所述用户终端根据用户输入的获取指令获取待识别图像数据之前，所述方法还包括：
所述用户终端获取用户输入的所述试题类型信息。
优选的，一个所述试题文本信息对应一个或多个所述试题类型信息。
进一步优选的，所述试题类型信息包括：第一类别信息、第二类别信息和试题分级信息中的一种或多种。
优选的，在所述将所述试题文本信息存储入所述试题存储数据库中之后，所述方法还包括：
所述用户终端获取所述用户输入的查询指令，并将所述查询指令发送至所述服务器；所述查询指令包括所述试题类型信息；
所述服务器根据所述试题类型信息得到一个或多个试题文本信息，并将所述一个或多个试题文本信息发送至所述用户终端，用以所述用户终端显示所述一个或多个试题文本信息。
本发明实施例提供的数据归类方法，通过根据试题特征将试题存储入各个试题存储数据库中，使得试题可以按类别归类存储，有利于用户后续根据试题类别有效、精准的查询试题。
附图说明
图1为本发明实施例提供的数据归类方法的流程图。
具体实施方式
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
本发明实施例提供的一种数据归类方法，实现于可以连接到网络的智能终端中，用于对用户所上传的试题的进行归类存储。其方法流程图如图1所示，包括如下步骤：
步骤101，用户终端根据用户输入的获取指令获取待识别图像数据；
具体的，用户终端可以理解为具有联网功能的智能设备，例如智能手机。当用户需要上传试题到题库中时，首先要在用户终端中登录账户信息。用户账户信息包括用户的用户I D。用户的用户I D可以理解为用户的唯一身份标识。
用户在登录账户信息之后向用户终端输入获取指令。获取指令可以理解为获取待上传的试题的指令。待上传的试题可以是通过摄像装置拍摄下来的，也可以为用户在用户终端中手动输入的。但无论待上传的试题是拍照获取的还是手动输入的，待上传的试题都是图片形式的数据。
当待上传的试题是通过摄像装置拍摄下来的时，用户终端需要向用户获取摄像和麦克风等装置的使用权限。在用户终端获取到了摄像和麦克风等装置的使用权限后，用户终端根据用户输入的获取指令通过摄像装置获取原始图像数据，并将原始图像数据显示给用户。用户根据所述原始图像数据输入区域选择指令，用户终端接收到区域选择指令后，根据区域选择指令得到待识别图像数据。其中，原始图像数据可以理解为用户通过摄像装置拍照下的原始照片。待识别图像数据可以理解为用户对原始照片进行区域截取后原始照片中的待上传的试题部分。这一过程可以理解为用户选取已拍下的照片中内容的过程，有利于后续对照片内容进行更高效的识别。
同样，当待上传的试题为用户在用户终端中手动输入时，用户也可以对手动输入的内容进行选取。选取时，步骤同样为用户根据所述原始图像数据输入区域选择指令，用户终端接收到区域选择指令后，根据区域选择指令得到待识别图像数据。
步骤102，用户终端对待识别图像数据进行降噪处理，并将降噪后的待识别图像数据发送至服务器；
具体的，由于现在的摄像设备获取到的图像多为高分辨率的彩色图像，而高分辨率的彩色图像的数据存储量比较大，不利于后续对图像的处理。因此用户终端在获取到待识别图像数据后，首先对待识别图像数据进行降噪处理。优选的，降噪处理包括调整图像大小和灰度处理。用户终端将待识别图像数据缩放为预设的大小，且通道为单通道灰度图像。
然后，用户终端将降噪后的待识别图像数据进行压缩处理，并打包发送至服务器，以便服务器对降噪后的待识别图像数据进行后续处理。并且，降噪后的待识别图像数据携带有用户的用户I D，用以服务器区分当前待识别图像数据是由哪个用户发送的。
步骤103，服务器根据神经网络模型对待识别图像数据进行识别处理，得到试题文本信息；
具体的，神经网络模型(Neura l Network，NN)是一种模拟人类实际神经网络的数据模型，它是由大量的、简单的处理单元广泛地互相连接而形成的复杂网络系统，也可以理解为一个高度复杂的非线性动力学习系统。NN模型具有自学习功能的优越性。例如，实现图像识别时，只在先把许多不同的图片和对应的识别的特征(识别结果)输入NN模型中，NN模型就会通过自学习功能，得出的一系列用于预测输出变量的新特征。
优选的，本发明实施例中采用卷积神经网络模型(Convo l ut i ona l NeuralNetwork，CNN)和循环神经网络模型(Recurrent Neura l Network，RNN)识别待识别图像数据。服务器先将接收到的待识别图像数据压缩包进行解压，释放出待识别图像数据，在根据CNN模型和RNN模型识别待识别图像数据上的文字信息，得到待识别图像数据中的试题文本信息。试题文本信息可以理解即为用户上传的试题的文字信息。
试题文本信息包括一个或多个试题特征参数。试题特征参数可以理解为当前试题的学科、年级、地域、题型等特征的参数。
在一个具体的例子中，当用户终端拍摄到的图像为：“若抛物线y＝x2+2x+c与x轴没有交点，写出一个满足条件c的值：_______。”则服务器根据CNN模型和RNN模型识别出试题的文本信息为：“若抛物线y＝x2+2x+c与x轴没有交点，写出一个满足条件c的值：_______。”。并且，试题特征参数包括：“具有数学公式”、“具有填空_______”和“抛物线、y＝x2+2x+c、交点”。
步骤104，根据试题特征参数在试题类型数据库中查询匹配得到与试题特征参数相对应的试题类型信息；
具体的，服务器中存储有试题类型数据库。试题类型数据库可以理解为根据试题的学科、年级、题型等特征设置的试题类型库。试题类型数据库中存储有试题类型信息和试题特征参数。试题类型信息可以理解为根据试题的学科、年级、题型等特征设置的试题类型。根据试题的学科、年级、题型等特征设置的试题类型信息可以包括：表示不同学科的第一类别信息、表示不同题型的第二类别信息和表示不同年级的试题分级信息中的一种或多种。在用户终端在获取待识别图像数据之前，用户终端需要获取用户输入的试题类型信息。
服务器首先在试题类型数据库中查询到与试题特征参数一致的试题特征参数，再根据试题特征参数在试题类型数据库中匹配与试题特征参数相对应的试题类型信息，将试题类型信息作为试题文本信息的试题类型。需要说明的是，一个试题文本信息可以对应一个或多个试题类型信息。例如，一道试题既可以被分类于化学试题，也可以被分类于高三年级试题，还可以被分类于有机化学试题。
在一个具体的例子中，试题的文本信息为：“若抛物线y＝x2+2x+c与x轴没有交点，写出一个满足条件c的值：_______。”。试题特征参数包括：“具有数学公式”、“具有填空_______”和“抛物线、y＝x2+2x+c、交点”。则服务器根据“具有数学公式”、“具有填空_______”和“抛物线、y＝x2+2x+c、交点”在试题类型数据库中确定与当前试题特征参数一致的试题特征参数所对应的试题类型信息为：“数学”、“初三年级”和“填空题”，则当前“若抛物线y＝x2+2x+c与x轴没有交点，写出一个满足条件c的值：_______。”的试题的文本信息所对应的试题类型信息为：“数学”、“初三年级”和“填空题”。
步骤105，根据试题类型信息确定试题存储数据库；
具体的，服务器中除了存储有试题类型数据库，还存储有多个试题存储数据库。每个试题存储数据库所对应的试题类型信息不同。不同的试题存储数据库代表了存储的试题类型不同，而存储在相同的试题存储数据库中的试题，试题的试题类型至少有一类相同，试题类型即当前试题存储数据库所代表的试题类型。服务器根据已确定的当前试题的试题类型信息确定一个或多个当前试题对应的试题存储数据库。
在一个具体的例子中，服务器根据“数学”、“初三年级”和“填空题”的试题类型信息，确定出的试题存储数据库包括“数学试题数据库”、“初三年级试题数据库”和“填空题试题数据库”。
步骤106，将试题文本信息存储入试题存储数据库中；
具体的，服务器将试题文本信息存储入已确定出的各个试题存储数据库中，实现试题归类存储。也就是说，一个试题文本信息会分别存储在多个不同的数据库中。
当用户想要查询某一个具体类型的试题时，需要向用户终端输入的查询指令。查询指令包括试题类型信息。用户终端获取用户输入的查询指令后，将查询指令发送至服务器。
服务器根据试题类型信息从试题存储数据库中获取一个或多个试题文本信息，并将一个或多个试题文本信息发送至用户终端，用以用户终端相用户显示想要查询某一个具体类型的试题。
在一个具体的例子中，服务器确定出的试题存储数据库包括“数学试题数据库”、“初三年级试题数据库”和“填空题试题数据库”，则服务器将“若抛物线y＝x2+2x+c与x轴没有交点，写出一个满足条件c的值：_______。”分别存储入“数学试题数据库”、“初三年级试题数据库”和“填空题试题数据库”中。
而当用户终端输入的查询“数学”、“初三年级”和“填空题”的指令时，服务器分别在“数学试题数据库”、“初三年级试题数据库”和“填空题试题数据库”查询这三个试题存储数据库中共有的试题，并将这些共有的试题反馈至用户终端中，使得用户显示包括“若抛物线y＝x2+2x+c与x轴没有交点，写出一个满足条件c的值：_______。”这道题在内的所有“数学”、“初三年级”和“填空题”试题。
本发明实施例提供的数据归类方法，通过根据试题特征将试题存储入各个试题存储数据库中，使得试题可以按类别归类存储，有利于用户后续根据试题类别有效、精准的查询试题。
专业人员应该还可以进一步意识到，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、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。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发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、用户终端执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种数据归类方法，其特征在于，所述数据归类方法包括：
用户终端根据用户输入的获取指令获取待识别图像数据；
所述用户终端对所述待识别图像数据进行降噪处理，得到降噪后的待识别图像数据并发送至服务器；
所述服务器根据神经网络模型对所述待识别图像数据进行识别处理，得到试题文本信息；所述试题文本信息包括一个或多个试题特征参数；
根据所述试题特征参数在试题类型数据库中查询匹配得到与所述试题特征参数相对应的试题类型信息；
根据所述试题类型信息确定试题存储数据库；
将所述试题文本信息存储入所述试题存储数据库中。
2.根据权利要求1所述的数据归类方法，其特征在于，所述用户终端根据用户输入的获取指令获取待识别图像数据具体为：
所述用户终端根据所述用户输入的获取指令获取原始图像数据，并显示；
接收所述用户根据所述原始图像数据输入的区域选择指令，根据所述区域选择指令得到所述待识别图像数据。
3.根据权利要求1所述的数据归类方法，其特征在于，所述降噪处理包括调整待识别图像数据大小和灰度处理。
4.根据权利要求1所述的数据归类方法，其特征在于，在所述用户终端根据用户输入的获取指令获取待识别图像数据之前，所述方法还包括：
所述用户终端获取用户输入的所述试题类型信息。
5.根据权利要求1所述的数据归类方法，其特征在于，一个所述试题文本信息对应一个或多个所述试题类型信息。
6.根据权利要求5所述的管理视音频的方法，其特征在于，所述试题类型信息包括：第一类别信息、第二类别信息和试题分级信息中的一种或多种。
7.根据权利要求1所述的管理视音频的方法，其特征在于，在所述将所述试题文本信息存储入所述试题存储数据库中之后，所述方法还包括：
所述用户终端获取所述用户输入的查询指令，并将所述查询指令发送至所述服务器；所述查询指令包括所述试题类型信息；
所述服务器根据所述试题类型信息得到一个或多个试题文本信息，并将所述一个或多个试题文本信息发送至所述用户终端，用以所述用户终端显示所述一个或多个试题文本信息。
CN202111021961.7A 2021-09-01 2021-09-01 数据归类方法 Pending CN113688262A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111021961.7A CN113688262A (zh) 2021-09-01 2021-09-01 数据归类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111021961.7A CN113688262A (zh) 2021-09-01 2021-09-01 数据归类方法

Publications (1)

Publication Number Publication Date
CN113688262A true CN113688262A (zh) 2021-11-23

Family

ID=78584802

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111021961.7A Pending CN113688262A (zh) 2021-09-01 2021-09-01 数据归类方法

Country Status (1)

Country Link
CN (1) CN113688262A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101986309A (zh) * 2010-11-16 2011-03-16 无敌科技(西安)有限公司 查询题库的方法及装置
US20120209833A1 (en) * 2011-02-11 2012-08-16 Siemens Aktiengesellschaft Methods and devices for data retrieval
CN104376042A (zh) * 2014-10-11 2015-02-25 武汉天量数据技术有限公司 一种试题数据库试题获取方法及系统
CN109637238A (zh) * 2018-11-05 2019-04-16 广东共升教育科技有限公司 一种练习题的生成方法、装置、设备和存储介质
CN110765107A (zh) * 2019-10-23 2020-02-07 浙江蓝鸽科技有限公司 基于数字化编码的题型识别方法及其系统
CN111767424A (zh) * 2020-09-02 2020-10-13 北京新唐思创教育科技有限公司 图像处理方法、装置、电子设备及计算机存储介质
CN111915463A (zh) * 2020-08-21 2020-11-10 广州云蝶科技有限公司 试题知识点的管理方法
CN111914068A (zh) * 2020-08-21 2020-11-10 广州云蝶科技有限公司 试题知识点的提取方法
WO2021073266A1 (zh) * 2019-10-18 2021-04-22 平安科技（深圳）有限公司 基于图像检测的试题检查方法及相关设备

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101986309A (zh) * 2010-11-16 2011-03-16 无敌科技(西安)有限公司 查询题库的方法及装置
US20120209833A1 (en) * 2011-02-11 2012-08-16 Siemens Aktiengesellschaft Methods and devices for data retrieval
CN104376042A (zh) * 2014-10-11 2015-02-25 武汉天量数据技术有限公司 一种试题数据库试题获取方法及系统
CN109637238A (zh) * 2018-11-05 2019-04-16 广东共升教育科技有限公司 一种练习题的生成方法、装置、设备和存储介质
WO2021073266A1 (zh) * 2019-10-18 2021-04-22 平安科技（深圳）有限公司 基于图像检测的试题检查方法及相关设备
CN110765107A (zh) * 2019-10-23 2020-02-07 浙江蓝鸽科技有限公司 基于数字化编码的题型识别方法及其系统
CN111915463A (zh) * 2020-08-21 2020-11-10 广州云蝶科技有限公司 试题知识点的管理方法
CN111914068A (zh) * 2020-08-21 2020-11-10 广州云蝶科技有限公司 试题知识点的提取方法
CN111767424A (zh) * 2020-09-02 2020-10-13 北京新唐思创教育科技有限公司 图像处理方法、装置、电子设备及计算机存储介质

Similar Documents

Publication Publication Date Title
EP3848887A1 (en) Gan network-based vehicle damage image enhancement method and apparatus
CN108197652B (zh) 用于生成信息的方法和装置
CN111914068B (zh) 试题知识点的提取方法
CN111475613A (zh) 案件分类方法、装置、计算机设备及存储介质
CN112417158A (zh) 文本数据分类模型的训练方法、分类方法、装置和设备
CN112215171B (zh) 目标检测方法、装置、设备及计算机可读存储介质
CN111915462B (zh) 试题知识点难度的分析方法
CN111274853A (zh) 图像处理方法和装置
CN110990617B (zh) 一种图片标记方法、装置、设备及存储介质
CN106610932A (zh) 一种语料处理方法和装置及语料分析方法和装置
CN110909768B (zh) 一种标注数据获取方法及装置
CN114065720A (zh) 会议纪要生成方法、装置、存储介质及电子设备
CN113689418B (zh) 基于图像识别的公式计算方法
CN110502635B (zh) 信息质量评价方法及装置
CN110363245B (zh) 在线课堂的精彩图片筛选方法、装置及系统
CN113688262A (zh) 数据归类方法
US7519237B2 (en) Method for characterizing stored information
CN117009621A (zh) 信息搜索方法、装置、电子设备、存储介质及程序产品
CN112732962B (zh) 基于深度学习与Flink的线上实时预测垃圾图片类别方法
CN108898167A (zh) 失信号码的显示方法及装置
CN113705706A (zh) 基于图像识别的数据分类方法
CN113781239A (zh) 一种策略确定方法、装置、电子设备以及存储介质
CN112307158A (zh) 一种信息检索方法、装置、设备及介质
CN112528790A (zh) 基于行为识别的教学管理方法、装置及服务器
CN117641004B (zh) 一种短视频推荐方法、装置、电子设备及存储介质

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
CB02 Change of applicant information

Address after: Room 1002, floor 10, block B, No. 18, Zhongguancun Street, Haidian District, Beijing 100044

Applicant after: Beijing Biyun shuchuang Technology Co.,Ltd.

Address before: Room 1002, floor 10, block B, No. 18, Zhongguancun Street, Haidian District, Beijing 100044

Applicant before: Beijing yundie Zhixue Technology Co.,Ltd.

CB02 Change of applicant information