CN113836377A - 信息关联方法、装置、电子设备及存储介质 - Google Patents
信息关联方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113836377A CN113836377A CN202110976831.2A CN202110976831A CN113836377A CN 113836377 A CN113836377 A CN 113836377A CN 202110976831 A CN202110976831 A CN 202110976831A CN 113836377 A CN113836377 A CN 113836377A
- Authority
- CN
- China
- Prior art keywords
- course
- courses
- test
- feature
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012360 testing method Methods 0.000 claims abstract description 112
- 238000012545 processing Methods 0.000 claims abstract description 31
- 230000011218 segmentation Effects 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000003058 natural language processing Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
Landscapes
- Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了信息关联方法、装置、电子设备及存储介质,涉及自然语言处理、深度学习以及大数据处理等人工智能领域,其中的方法可包括:针对不同的课程,分别建立对应的试题库;根据对应的试题库分别确定出不同的课程对应的特征词集合;获取待关联的题目,从所述题目中提取出特征词;根据提取出的特征词以及各课程分别对应的特征词集合确定出所述题目对应的课程。应用本公开所述方案,可节省人力和时间成本等。
Description
技术领域
本公开涉及人工智能技术领域,特别涉及自然语言处理、深度学习以及大数据处理等领域的信息关联方法、装置、电子设备及存储介质。
背景技术
目前,出现了具有搜题功能的各种应用(app),对于用户搜索的题目,可基于搜索的题目以及试题库中的各试题的相似性等进行排序召回。
在某些场景下,还需要针对用户搜索的题目,确定出其对应的课程等,比如,可结合搜索的题目对应的课程以及搜索结果(搜索成功或失败)等,确定出试题库中哪一或哪些课程的试题存在缺失,从而进行补充。
在确定用户搜索的题目对应的课程时,通常采用人工手动方式,比如,人工基于题目在搜索引擎中进行搜索,查找出题目所属的课程,显然,这种方式需要耗费较大的人力和时间成本。
发明内容
本公开提供了信息关联方法、装置、电子设备及存储介质。
一种信息关联方法,包括:
针对不同的课程,分别建立对应的试题库;
根据对应的试题库分别确定出不同的课程对应的特征词集合;
获取待关联的题目,从所述题目中提取出特征词;
根据提取出的特征词以及各课程分别对应的特征词集合确定出所述题目对应的课程。
一种信息关联装置,包括:建立模块、确定模块、提取模块以及关联模块;
所述建立模块,用于针对不同的课程,分别建立对应的试题库;
所述确定模块,用于根据对应的试题库分别确定出不同的课程对应的特征词集合;
所述提取模块,用于获取待关联的题目,从所述题目中提取出特征词;
所述关联模块,用于根据提取出的特征词以及各课程分别对应的特征词集合确定出所述题目对应的课程。
一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如以上所述的方法。
一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使计算机执行如以上所述的方法。
一种计算机程序产品,包括计算机程序/指令,所述计算机程序/指令被处理器执行时实现如以上所述的方法。
上述公开中的一个实施例具有如下优点或有益效果:可通过一系列处理,自动地确定出题目对应的课程,从而节省了人力和时间成本等。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1为本公开所述信息关联方法实施例的流程图;
图2为本公开所述确定出用户对应的学科的过程示意图;
图3为本公开所述信息关联装置实施例300的组成结构示意图;
图4示出了可以用来实施本公开的实施例的电子设备400的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
另外,应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
图1为本公开所述信息关联方法实施例的流程图。如图1所示,包括以下具体实现方式。
在步骤101中,针对不同的课程,分别建立对应的试题库。
在步骤102中,根据对应的试题库分别确定出不同的课程对应的特征词集合。
在步骤103中,获取待关联的题目,从所述题目中提取出特征词。
在步骤104中,根据提取出的特征词以及各课程分别对应的特征词集合确定出所述题目对应的课程。
可以看出,上述方法实施例所述方案中,可通过一系列处理,自动地确定出题目对应的课程,从而节省了人力和时间成本等。
本公开的一个实施例中,所述不同的课程可包括:针对预定的不同学科,分别收集到的各学科对应的课程。
其中,预定的不同学科可以是指教育部高等教育学科专业目录中记录的学科,通常是指其中的一级学科。针对每个学科,可分别根据学科名由人工收集对应的课程(课程名)。比如,学科为“哲学”,对应的课程可包括:哲学概论、中国哲学史和逻辑学等。
本公开的一个实施例中,还可保存不同的学科与对应的课程之间的对应关系,如建立学科与课程之间的关系图谱。
进一步地,针对不同的课程,可分别建立对应的试题库。
本公开的一个实施例中,建立试题库的方式可包括以下之一或全部:
方式1):针对任一课程,分别进行以下处理:从互联网上抓取处于公开状态的该课程对应的试卷文本,分别对各试卷文本进行试卷拆题,利用得到的试题组成该课程对应的试题库;
方式2):获取处于公开状态的具有课程分类标签的试题,针对任一课程,分别利用具有该课程的课程分类标签的试题组成该课程对应的试题库。
方式1)中,可利用检索引擎和爬虫技术等,从互联网上抓取全网公开(即处于公开状态)的各课程对应的试卷文本,相应地,针对任一课程,可通过试卷拆题技术,将该课程对应的试卷文本进行试卷拆题,即将试卷文本拆解为一道道的试题,并可利用得到的试题组成该课程对应的试题库。优选地,还可对得到的试题进行清洗去重等处理,以提升试题库中的试题质量。
方式2)中,可直接使用已公开的具有课程分类标签的试题进行试题库的建立,即试题本身即标注了所属的课程,那么则可直接利用属于不同课程的试题分别建立对应的试题库。
其中,采用方式1)建立的试题库中包括的试题通常更为全面丰富,而采用方式2)建立试题库由于不需要进行试卷文本抓取和试卷拆题等处理,因此实现起来更为简单方便,具体采用哪种方式可根据实际需要而定,优选地,可同时采用这两种方式。
在完成试题库的建立后,可根据对应的试题库分别确定出不同的课程对应的特征词集合。
本公开的一个实施例中,针对任一课程,可分别进行以下处理:分别对该课程对应的试题库中的各试题进行切词处理,并根据切词结果分别确定出各试题对应的特征词,从各试题对应的特征词中选出符合要求的特征词,利用选出的特征词组成该课程对应的特征词集合。
如何进行切词处理不作限制,比如可采用现有的各种切词算法。对于任一试题来说,当对其进行切词处理之后,可对得到的切词结果进行筛选,如去除与试题相关性较低的切词结果,如“的”、“以下哪一个”等,将剩下的切词结果作为该试题对应的特征词。
假设某一课程对应的试题库中包括200(仅为举例说明,实际可能远大于此)道试题,在分别获取到200道试题对应的特征词后,可对这200道试题对应的特征词进行汇总,并可进行去重等处理,进而可从中选出符合要求的特征词,利用选出的特征词组成该课程对应的特征词集合,假设进行去重等处理后共得到200个特征词,从中选出了20个符合要求的特征词,那么则可利用这20个特征词组成该课程对应的特征词集合。
本公开的一个实施例中,针对任一课程,选出符合要求的特征词的方式可包括:
方式1):分别获取各特征词在该课程对应的试题库中的试题中的出现频率,将出现频率大于第一阈值的特征词作为符合要求的特征词;
方式2):利用预先训练得到的评分模型,分别确定出各特征词与该课程之间的相关性评分,将相关性评分大于第二阈值的特征词作为符合要求的特征词。
第一阈值和第二阈值的具体取值均可根据实际需要而定。另外,在实际应用中,具体采用方式1)还是方式2)也可根据实际需要而定。
通过上述方式,可准确高效地确定出各课程对应的特征词集合,从而为后续处理奠定了良好的基础。
经过上述的一系列处理之后,当获取到待关联的题目时,可首先从题目中提取出特征词。比如,可对题目进行切词处理,得到切词结果,并可对得到的切词结果进行筛选,如去除与题目相关性较低的切词结果,将剩下的切词结果作为从题目中提取出的特征词。
之后,可根据提取出的特征词以及各课程分别对应的特征词集合确定出题目对应的课程。
本公开的一个实施例中,针对任一课程,可分别根据提取出的特征词以及该课程对应的特征词集合确定出题目属于该课程的概率,并可将不同课程对应的概率按照从大到小的顺序进行排序,将排序后处于前M位的概率对应的课程作为题目对应的课程,M为正整数,或者,若确定任一课程对应的概率大于第三阈值,则可将该课程作为题目对应的课程。
如何根据提取出的特征词以及课程对应的特征词集合确定出题目属于该课程的概率不作限制。
作为一种可能的实现方式,可分别为特征词集合中的各特征词赋予对应的置信评分,比如,可将前述的特征词与课程之间的相关性评分作为特征词的置信评分,假设从题目中提取出的特征词为4个,并假设某一课程a对应的特征词集合中包括20个特征词,提取出的特征词中有3个与课程a对应的特征词集合中的特征词相匹配,相匹配可以是指与特征词集合中的特征词相同,也可以是指与特征词集合中的特征词为同义词,那么可将相匹配的3个特征词的置信评分相加,将得到的结果作为题目属于课程a的概率,按照类似的方式,可分别得到题目属于每个课程的概率。
在分别得到题目属于每个课程的概率后,可将各概率按照从大到小的顺序进行排序,并可将排序后处于前M位的概率对应的课程作为题目对应的课程,M的具体取值可根据实际需要而定,比如,可为1,或者,若确定任一课程对应的概率大于第三阈值,那么则可将该课程作为题目对应的课程,第三阈值的具体取值也可根据实际需要而定。
另外,对于相近的两个课程,比如有机化学和无机化学,假设有机化学对应的特征词集合为特征词集合1,无机化学对应的特征词集合为特征词集合2,那么特征词集合1和特征词集合2中可能会存在很多相同/相近的特征词,相应地,还可找出两个课程各自对应的差异特征词,比如,有机化学对应的差异特征词是指仅出现在有机化学对应的特征词集合中、而未出现在无机化学对应的特征词集合中的特征词,相应地,假设需要确定出题目对应的课程(仅需确定出一个),并假设题目属于有机化学的概率和属于无机化学的概率相同或相近,那么可进一步借助于差异特征词来进行区分,比如,从题目中提取出的特征词中包括有机化学对应的差异特征词,而不包括无机化学对应的差异特征词,那么则可认为题目属于有机化学的可能性更大。
通过上述处理,可借助于从题目中提取出的特征词以及各课程分别对应的特征词集合等,准确高效地确定出题目对应的课程,即实现题目与课程之间的信息关联。
本公开的一个实施例中,步骤103中所述的待关联的题目可以是指用户搜索的题目,比如,用户使用具有搜题功能的app进行搜题时输入的题目,如前所述,预先可保存有不同的学科与对应的课程之间的对应关系,那么,针对任一用户,还可根据该用户历史上各次搜索的题目对应的课程以及所述对应关系,确定出该用户对应的学科。
图2为本公开所述确定出用户对应的学科的过程示意图。如图2所示,题目搜索记录即指用户各次搜索的题目,按照本公开所述方式,可分别确定出各次搜索的题目对应的课程,进而可根据学科与对应的课程之间的对应关系,确定出用户对应的学科,即所学的专业,比如,用户各次搜索的题目对应的课程包括课程a、课程b、课程c和课程d,课程a、课程b、课程c和课程d均对应于哲学这一学科,那么则可确定用户对应的学科为哲学,即实现了用户的专业判断。
通过上述方式,可得到精准的用户画像,基于用户对应的学科,后续可进行定向的内容推荐等,如进行学科内容推荐或课程内容推荐,并提升了推荐结果的准确性以及提升了推荐效果等。
需要说明的是,对于前述的方法实施例,为了简单描述,将其表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本公开所必须的。
以上是关于方法实施例的介绍,以下通过装置实施例,对本公开所述方案进行进一步说明。
图3为本公开所述信息关联装置实施例300的组成结构示意图。如图3所示,包括:建立模块301、确定模块302、提取模块303以及关联模块304。
建立模块301,用于针对不同的课程,分别建立对应的试题库。
确定模块302,用于根据对应的试题库分别确定出不同的课程对应的特征词集合。
提取模块303,用于获取待关联的题目,从题目中提取出特征词。
关联模块304,用于根据提取出的特征词以及各课程分别对应的特征词集合确定出题目对应的课程。
本公开的一个实施例中,所述不同的课程可包括:针对预定的不同学科,分别收集到的各学科对应的课程。
其中,预定的不同学科可以是指教育部高等教育学科专业目录中记录的学科,通常是指其中的一级学科。针对每个学科,可分别根据学科名由人工收集对应的课程。
本公开的一个实施例中,还可保存不同的学科与对应的课程之间的对应关系,如建立学科与课程之间的关系图谱。
针对不同的课程,建立模块301可分别建立对应的试题库。
本公开的一个实施例中,建立模块301建立试题库的方式可包括以下之一或全部:
方式1):针对任一课程,分别进行以下处理:从互联网上抓取处于公开状态的该课程对应的试卷文本,分别对各试卷文本进行试卷拆题,利用得到的试题组成该课程对应的试题库;
方式2):获取处于公开状态的具有课程分类标签的试题,针对任一课程,分别利用具有该课程的课程分类标签的试题组成该课程对应的试题库。
在完成试题库的建立后,确定模块302可根据对应的试题库分别确定出不同的课程对应的特征词集合。
本公开的一个实施例中,针对任一课程,确定模块302可分别进行以下处理:分别对该课程对应的试题库中的各试题进行切词处理,并根据切词结果分别确定出各试题对应的特征词,从各试题对应的特征词中选出符合要求的特征词,利用选出的特征词组成该课程对应的特征词集合。
如何进行切词处理不作限制,比如可采用现有的各种切词算法。对于任一试题来说,当对其进行切词处理之后,可对得到的切词结果进行筛选,如去除与试题相关性较低的切词结果,如“的”、“以下哪一个”等,将剩下的切词结果作为该试题对应的特征词。
本公开的一个实施例中,针对任一课程,确定模块302选出符合要求的特征词的方式可包括:
方式1):分别获取各特征词在该课程对应的试题库中的试题中的出现频率,将出现频率大于第一阈值的特征词作为符合要求的特征词;
方式2):利用预先训练得到的评分模型,分别确定出各特征词与该课程之间的相关性评分,将相关性评分大于第二阈值的特征词作为符合要求的特征词。
提取模块303可获取待关联的题目,并可从中提取出特征词。比如,可对题目进行切词处理,得到切词结果,并可对得到的切词结果进行筛选,如去除与题目相关性较低的切词结果,将剩下的切词结果作为从题目中提取出的特征词。
之后,关联模块304可根据提取出的特征词以及各课程分别对应的特征词集合确定出题目对应的课程。
本公开的一个实施例中,针对任一课程,关联模块304可分别根据提取出的特征词以及该课程对应的特征词集合确定出题目属于该课程的概率,并可将不同课程对应的概率按照从大到小的顺序进行排序,将排序后处于前M位的概率对应的课程作为题目对应的课程,M为正整数,或者,若确定任一课程对应的概率大于第三阈值,则可将该课程作为题目对应的课程。
本公开的一个实施例中,所述的待关联的题目可以是指用户搜索的题目,比如,用户使用具有搜题功能的app进行搜题时输入的题目,如前所述,预先可保存有不同的学科与对应的课程之间的对应关系,那么,针对任一用户,关联模块304还可根据该用户历史上各次搜索的题目对应的课程以及所述对应关系,确定出该用户对应的学科。
图3所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明,不再赘述。
总之,采用本公开装置实施例所述方案,可通过一系列处理,自动地确定出题目对应的课程,从而节省了人力和时间成本,并可得到精准的用户画像,基于用户对应的学科,后续可进行定向的内容推荐等。
本公开所述方案可应用于人工智能领域,特别涉及自然语言处理、深度学习以及大数据处理等领域。人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术,人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术,人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
另外,本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图4示出了可以用来实施本公开的实施例的示例电子设备400的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图4所示,设备400包括计算单元401,其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序,来执行各种适当的动作和处理。在RAM 403中,还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405,包括:输入单元406,例如键盘、鼠标等;输出单元407,例如各种类型的显示器、扬声器等;存储单元408,例如磁盘、光盘等;以及通信单元409,例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理,例如本公开所述的方法。例如,在一些实施例中,本公开所述的方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元408。在一些实施例中,计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时,可以执行本公开所述的方法的一个或多个步骤。备选地,在其他实施例中,计算单元401可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行本公开所述的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (17)
1.一种信息关联方法,包括:
针对不同的课程,分别建立对应的试题库;
根据对应的试题库分别确定出不同的课程对应的特征词集合;
获取待关联的题目,从所述题目中提取出特征词;
根据提取出的特征词以及各课程分别对应的特征词集合确定出所述题目对应的课程。
2.根据权利要求1所述的方法,其中,所述针对不同的课程,分别建立对应的试题库包括以下之一或全部:
针对任一课程,分别进行以下处理:从互联网上抓取处于公开状态的所述课程对应的试卷文本,分别对各试卷文本进行试卷拆题,利用得到的试题组成所述课程对应的试题库;
获取处于公开状态的具有课程分类标签的试题,针对任一课程,分别利用具有所述课程的课程分类标签的试题组成所述课程对应的试题库。
3.根据权利要求1所述的方法,其中,所述根据对应的试题库分别确定出不同的课程对应的特征词集合包括:
针对任一课程,分别进行以下处理:
分别对所述课程对应的试题库中的各试题进行切词处理,并根据切词结果分别确定出各试题对应的特征词;
从各试题对应的特征词中选出符合要求的特征词,利用选出的特征词组成所述课程对应的特征词集合。
4.根据权利要求3所述的方法,其中,所述从各试题对应的特征词中选出符合要求的特征词包括:
分别获取各特征词在所述课程对应的试题库中的试题中的出现频率,将出现频率大于第一阈值的特征词作为符合要求的特征词;
或者,利用预先训练得到的评分模型,分别确定出各特征词与所述课程之间的相关性评分,将所述相关性评分大于第二阈值的特征词作为符合要求的特征词。
5.根据权利要求1所述的方法,其中,所述根据提取出的特征词以及各课程分别对应的特征词集合确定出所述题目对应的课程包括:
针对任一课程,分别根据提取出的特征词以及所述课程对应的特征词集合确定出所述题目属于所述课程的概率;
将不同课程对应的概率按照从大到小的顺序进行排序,将排序后处于前M位的概率对应的课程作为所述题目对应的课程,M为正整数,或者,若确定任一课程对应的概率大于第三阈值,则将所述课程作为所述题目对应的课程。
6.根据权利要求1~5中任一项所述的方法,其中,
所述不同的课程包括:针对预定的不同学科,分别收集到的各学科对应的课程。
7.根据权利要求6所述的方法,其中,
所述待关联的题目包括:用户搜索的题目;
所述方法还包括:
保存不同的学科与对应的课程之间的对应关系;
针对任一用户,根据所述用户历史上各次搜索的题目对应的课程以及所述对应关系,确定出所述用户对应的学科。
8.一种信息关联装置,包括:建立模块、确定模块、提取模块以及关联模块;
所述建立模块,用于针对不同的课程,分别建立对应的试题库;
所述确定模块,用于根据对应的试题库分别确定出不同的课程对应的特征词集合;
所述提取模块,用于获取待关联的题目,从所述题目中提取出特征词;
所述关联模块,用于根据提取出的特征词以及各课程分别对应的特征词集合确定出所述题目对应的课程。
9.根据权利要求8所述的装置,其中,
所述建立模块针对任一课程,分别进行以下处理:从互联网上抓取处于公开状态的所述课程对应的试卷文本,分别对各试卷文本进行试卷拆题,利用得到的试题组成所述课程对应的试题库;
和/或,获取处于公开状态的具有课程分类标签的试题,针对任一课程,分别利用具有所述课程的课程分类标签的试题组成所述课程对应的试题库。
10.根据权利要求8所述的装置,其中,
所述确定模块针对任一课程,分别进行以下处理:分别对所述课程对应的试题库中的各试题进行切词处理,并根据切词结果分别确定出各试题对应的特征词,从各试题对应的特征词中选出符合要求的特征词,利用选出的特征词组成所述课程对应的特征词集合。
11.根据权利要求10所述的装置,其中,
所述确定模块分别获取各特征词在所述课程对应的试题库中的试题中的出现频率,将出现频率大于第一阈值的特征词作为符合要求的特征词;
或者,所述确定模块利用预先训练得到的评分模型,分别确定出各特征词与所述课程之间的相关性评分,将所述相关性评分大于第二阈值的特征词作为符合要求的特征词。
12.根据权利要求8所述的装置,其中,
所述关联模块针对任一课程,分别根据提取出的特征词以及所述课程对应的特征词集合确定出所述题目属于所述课程的概率,将不同课程对应的概率按照从大到小的顺序进行排序,将排序后处于前M位的概率对应的课程作为所述题目对应的课程,M为正整数,或者,若确定任一课程对应的概率大于第三阈值,则将所述课程作为所述题目对应的课程。
13.根据权利要求8~12中任一项所述的装置,其中,
所述不同的课程包括:针对预定的不同学科,分别收集到的各学科对应的课程。
14.根据权利要求13所述的装置,其中,
所述待关联的题目包括:用户搜索的题目;
所述建立模块进一步用于,保存不同的学科与对应的课程之间的对应关系;
所述关联模块进一步用于,针对任一用户,根据所述用户历史上各次搜索的题目对应的课程以及所述对应关系,确定出所述用户对应的学科。
15.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使计算机执行根据权利要求1-7中任一项所述的方法。
17.一种计算机程序产品,包括计算机程序/指令,所述计算机程序/指令被处理器执行时实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110976831.2A CN113836377A (zh) | 2021-08-24 | 2021-08-24 | 信息关联方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110976831.2A CN113836377A (zh) | 2021-08-24 | 2021-08-24 | 信息关联方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113836377A true CN113836377A (zh) | 2021-12-24 |
Family
ID=78961156
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110976831.2A Pending CN113836377A (zh) | 2021-08-24 | 2021-08-24 | 信息关联方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113836377A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114172749A (zh) * | 2022-02-14 | 2022-03-11 | 北京百度网讯科技有限公司 | 一种试卷下载方法、装置、设备以及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111639154A (zh) * | 2020-05-11 | 2020-09-08 | 广东小天才科技有限公司 | 直播搜题方法、装置、终端设备和存储介质 |
CN112182237A (zh) * | 2020-09-21 | 2021-01-05 | 深圳中兴网信科技有限公司 | 题目知识点关联方法、题目知识点关联系统和存储介质 |
CN112883244A (zh) * | 2021-02-05 | 2021-06-01 | 深圳点猫科技有限公司 | 一种在线课程互动答疑实现方法、装置及设备 |
-
2021
- 2021-08-24 CN CN202110976831.2A patent/CN113836377A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111639154A (zh) * | 2020-05-11 | 2020-09-08 | 广东小天才科技有限公司 | 直播搜题方法、装置、终端设备和存储介质 |
CN112182237A (zh) * | 2020-09-21 | 2021-01-05 | 深圳中兴网信科技有限公司 | 题目知识点关联方法、题目知识点关联系统和存储介质 |
CN112883244A (zh) * | 2021-02-05 | 2021-06-01 | 深圳点猫科技有限公司 | 一种在线课程互动答疑实现方法、装置及设备 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114172749A (zh) * | 2022-02-14 | 2022-03-11 | 北京百度网讯科技有限公司 | 一种试卷下载方法、装置、设备以及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112632385B (zh) | 课程推荐方法、装置、计算机设备及介质 | |
WO2020232861A1 (zh) | 命名实体识别方法、电子装置及存储介质 | |
CN111625635A (zh) | 问答处理、语言模型的训练方法、装置、设备及存储介质 | |
CN111125435B (zh) | 视频标签的确定方法、装置和计算机设备 | |
CN112270167B (zh) | 角色标注方法、装置、电子设备和存储介质 | |
CN113836925B (zh) | 预训练语言模型的训练方法、装置、电子设备及存储介质 | |
CN111339268A (zh) | 实体词识别方法和装置 | |
CN112926308B (zh) | 匹配正文的方法、装置、设备、存储介质以及程序产品 | |
CN112925883B (zh) | 搜索请求处理方法、装置、电子设备及可读存储介质 | |
CN114490998B (zh) | 文本信息的抽取方法、装置、电子设备和存储介质 | |
CN110781204A (zh) | 目标对象的标识信息确定方法、装置、设备及存储介质 | |
CN116737908A (zh) | 知识问答方法、装置、设备和存储介质 | |
CN111369980A (zh) | 语音检测方法、装置、电子设备及存储介质 | |
CN114860913B (zh) | 智能问答系统构建方法、问答处理方法及装置 | |
CN112528146B (zh) | 内容资源推荐方法、装置、电子设备及存储介质 | |
CN114817478A (zh) | 基于文本的问答方法、装置、计算机设备及存储介质 | |
CN114090792A (zh) | 基于对比学习的文档关系抽取方法及其相关设备 | |
CN110991183A (zh) | 问题的谓词确定方法、装置、设备及存储介质 | |
CN113836377A (zh) | 信息关联方法、装置、电子设备及存储介质 | |
CN115248890A (zh) | 用户兴趣画像的生成方法、装置、电子设备以及存储介质 | |
CN113569018A (zh) | 问答对挖掘方法及装置 | |
CN115048523B (zh) | 文本分类方法、装置、设备以及存储介质 | |
CN116303951A (zh) | 对话处理方法、装置、电子设备和存储介质 | |
CN113822589A (zh) | 智能面试方法、装置、设备及存储介质 | |
CN115774797A (zh) | 视频内容检索方法、装置、设备和计算机可读存储介质 |
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 |