CN117217624B - 基于绘本阅读记录的儿童阅读水平预测方法及系统 - Google Patents
基于绘本阅读记录的儿童阅读水平预测方法及系统 Download PDFInfo
- Publication number
- CN117217624B CN117217624B CN202311405066.4A CN202311405066A CN117217624B CN 117217624 B CN117217624 B CN 117217624B CN 202311405066 A CN202311405066 A CN 202311405066A CN 117217624 B CN117217624 B CN 117217624B
- Authority
- CN
- China
- Prior art keywords
- reading
- time period
- picture
- historical time
- user
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013515 script Methods 0.000 claims abstract description 90
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 85
- 238000010521 absorption reaction Methods 0.000 claims abstract description 54
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 56
- 238000012216 screening Methods 0.000 claims description 29
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000011160 research Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于绘本阅读记录的儿童阅读水平预测方法及系统,该方法包括:获取目标儿童用户的多个历史时间段的多个绘本阅读记录;根据每一所述历史时间段中的所述绘本阅读记录,基于阅读专注度算法,计算每一所述历史时间段对应的用户阅读专注程度参数;根据每一所述历史时间段中的所述绘本阅读记录,基于阅读吸收程度算法,计算每一所述历史时间段对应的用户阅读吸收程度参数;根据每一所述历史时间段对应的所述用户阅读专注程度参数和所述用户阅读吸收程度参数,基于神经网络算法,预测所述目标儿童用户的阅读水平。可见,本发明能够充分根据儿童的历史阅读记录来准确分析儿童阅读水平,为后续的研究或书籍推荐提供准确的数据。
Description
技术领域
本发明涉及数据预测技术领域,尤其涉及一种基于绘本阅读记录的儿童阅读水平预测方法及系统。
背景技术
随着电子绘本阅读技术的发展,越来越多的儿童开始使用电子绘本阅读软件进行绘本阅读,而阅读过程留下的阅读记录,要如何用于分析儿童的阅读水平以实现后续更加准确的绘本推荐,成为了研究重点之一。
但现有技术在实现分析儿童的阅读水平时,一般仅采用简单的数据匹配规则或者单一的阅读量评价规则,没有有效根据多个维度的评价算法来提高水平预测的准确性。可见,现有技术存在缺陷,亟需解决。
发明内容
本发明所要解决的技术问题在于,提供一种基于绘本阅读记录的儿童阅读水平预测方法及系统,能够充分根据儿童的历史阅读记录来准确分析儿童阅读水平,为后续的研究或书籍推荐提供准确的数据。
为了解决上述技术问题,本发明第一方面公开了一种基于绘本阅读记录的儿童阅读水平预测方法,所述方法包括:
获取目标儿童用户的历史绘本阅读记录;所述历史绘本阅读记录中包括所述目标儿童用户在多个历史时间段的多个绘本阅读记录;
根据每一所述历史时间段中的所述绘本阅读记录,基于阅读专注度算法,计算每一所述历史时间段对应的用户阅读专注程度参数;
根据每一所述历史时间段中的所述绘本阅读记录,基于阅读吸收程度算法,计算每一所述历史时间段对应的用户阅读吸收程度参数;
根据每一所述历史时间段对应的所述用户阅读专注程度参数和所述用户阅读吸收程度参数,基于神经网络算法,预测所述目标儿童用户的阅读水平。
作为一种可选的实施方式,在本发明第一方面中,所述绘本阅读记录包括所述目标儿童用户对多个绘本的阅读参数和每一所述绘本的绘本参数;所述阅读参数包括绘本阅读进度、绘本阅读速度、绘本点击操作和绘本特定页的停留时间;所述绘本参数包括所述绘本参数包括绘本图文比例、绘本篇幅、绘本词汇难度和绘本主题类型。
作为一种可选的实施方式,在本发明第一方面中,所述根据每一所述历史时间段中的所述绘本阅读记录,基于阅读专注度算法,计算每一所述历史时间段对应的用户阅读专注程度参数,包括:
对于每一所述历史时间段中的所述绘本阅读记录中的每一所述绘本,根据该绘本对应的所述阅读参数和所述绘本参数,计算该绘本对应的绘本阅读专注度参数;
计算每一所述历史时间段中所有所述绘本的所述绘本阅读专注度参数的平均值,得到每一所述历史时间段对应的用户阅读专注程度参数。
作为一种可选的实施方式,在本发明第一方面中,所述根据该绘本对应的所述阅读参数和所述绘本参数,计算该绘本对应的绘本阅读专注度参数,包括:
将该绘本对应的所述阅读参数输入至训练好的阅读质量预测算法模型,以得到该绘本对应的预测阅读质量;所述阅读质量预测算法模型通过包括有多个训练绘本阅读参数和对应的阅读质量标注的训练数据集训练得到;
将该绘本对应的所述绘本参数输入至训练好的绘本难度预测算法模型,以得到该绘本对应的预测绘本难度;所述绘本难度预测算法模型通过包括有多个训练绘本参数和对应的绘本难度标注的训练数据集训练得到;
计算所述预测阅读质量和所述预测绘本难度的乘积,得到该绘本对应的绘本阅读专注度参数。
作为一种可选的实施方式,在本发明第一方面中,所述根据每一所述历史时间段中的所述绘本阅读记录,基于阅读吸收程度算法,计算每一所述历史时间段对应的用户阅读吸收程度参数,包括:
对于每一所述历史时间段,基于相似度算法,从该历史时间段的所述绘本阅读记录中筛选出第一绘本阅读记录,从该历史时间段的下一时间段的所述绘本阅读记录中筛选出第二绘本阅读记录;
根据所述阅读质量预测算法模型,计算该历史时间段的所述第一绘本阅读记录中所有绘本对应的所述预测阅读质量的平均值,得到该历史时间段对应的第一阅读质量参数;
根据所述阅读质量预测算法模型,计算所述第二绘本阅读记录中所有所述绘本的所述预测阅读质量的平均值,得到所述下一时间段对应的第二阅读质量参数;
计算所述第一阅读质量参数和所述第二阅读质量参数的参数差,计算该历史时间段和所述下一时间段之间的时间差;
计算所述参数差和所述时间差的比值的绝对值,得到该历史时间段对应的用户阅读吸收程度参数。
作为一种可选的实施方式,在本发明第一方面中,所述基于相似度算法,从该历史时间段的所述绘本阅读记录中筛选出第一绘本阅读记录,从该历史时间段的下一时间段的所述绘本阅读记录中筛选出第二绘本阅读记录,包括:
对于该历史时间段的所述绘本阅读记录中的任一第一绘本,和该历史时间段的下一时间段的所述绘本阅读记录中的任一第二绘本,计算该第一绘本与该第二绘本之间的绘本参数的参数相似度;
对于该历史时间段的所述绘本阅读记录中的任一第一绘本,计算该第一绘本对应的所有所述参数相似度的第一平均值;
将该历史时间段的所述绘本阅读记录中的所有所述第一平均值大于第一平均值阈值的第一绘本筛选出来,以得到第一绘本阅读记录;
对于所述下一时间段的所述绘本阅读记录中的任一第二绘本,计算该第二绘本对应的所有所述参数相似度的第二平均值;
将所述下一时间段的所述绘本阅读记录中的所有所述第二平均值大于第二平均值阈值的第二绘本筛选出来,以得到第二绘本阅读记录;所述第二平均值阈值大于所述第一平均值阈值。
作为一种可选的实施方式,在本发明第一方面中,所述根据每一所述历史时间段对应的所述用户阅读专注程度参数和所述用户阅读吸收程度参数,基于神经网络算法,预测所述目标儿童用户的阅读水平,包括:
将每一所述历史时间段对应的所述用户阅读专注程度参数和所述用户阅读吸收程度参数,输入至训练好的水平预测神经网络模型中,以得到每一所述历史时间段对应的预测阅读水平;所述水平预测神经网络模型通过包括有多个训练用户阅读专注程度参数和训练用户阅读吸收程度参数以及对应的阅读水平标注的训练数据集训练得到;
将所有所述历史时间段对应的所述预测阅读水平按时间先后进行排序得到阅读水平序列,筛选出所述阅读水平序列中满足预设的水平持续规则的多个预测阅读水平,以得到多个候选阅读水平;所述水平持续规则用于限定连续预设数量个阅读水平中任意两个阅读水平之间的水平差值小于预设的差值阈值;
计算所述多个候选阅读水平的平均值,得到所述目标儿童用户的阅读水平。
本发明第二方面公开了一种基于绘本阅读记录的儿童阅读水平预测系统,所述系统包括:
获取模块,用于获取目标儿童用户的历史绘本阅读记录;所述历史绘本阅读记录中包括所述目标儿童用户在多个历史时间段的多个绘本阅读记录;
第一计算模块,用于根据每一所述历史时间段中的所述绘本阅读记录,基于阅读专注度算法,计算每一所述历史时间段对应的用户阅读专注程度参数;
第二计算模块,用于根据每一所述历史时间段中的所述绘本阅读记录,基于阅读吸收程度算法,计算每一所述历史时间段对应的用户阅读吸收程度参数;
预测模块,用于根据每一所述历史时间段对应的所述用户阅读专注程度参数和所述用户阅读吸收程度参数,基于神经网络算法,预测所述目标儿童用户的阅读水平。
作为一种可选的实施方式,在本发明第二方面中,所述绘本阅读记录包括所述目标儿童用户对多个绘本的阅读参数和每一所述绘本的绘本参数;所述阅读参数包括绘本阅读进度、绘本阅读速度、绘本点击操作和绘本特定页的停留时间;所述绘本参数包括所述绘本参数包括绘本图文比例、绘本篇幅、绘本词汇难度和绘本主题类型。
作为一种可选的实施方式,在本发明第二方面中,所述第一计算模块根据每一所述历史时间段中的所述绘本阅读记录,基于阅读专注度算法,计算每一所述历史时间段对应的用户阅读专注程度参数的具体方式,包括:
对于每一所述历史时间段中的所述绘本阅读记录中的每一所述绘本,根据该绘本对应的所述阅读参数和所述绘本参数,计算该绘本对应的绘本阅读专注度参数;
计算每一所述历史时间段中所有所述绘本的所述绘本阅读专注度参数的平均值,得到每一所述历史时间段对应的用户阅读专注程度参数。
作为一种可选的实施方式,在本发明第二方面中,所述第一计算模块根据该绘本对应的所述阅读参数和所述绘本参数,计算该绘本对应的绘本阅读专注度参数的具体方式,包括:
将该绘本对应的所述阅读参数输入至训练好的阅读质量预测算法模型,以得到该绘本对应的预测阅读质量;所述阅读质量预测算法模型通过包括有多个训练绘本阅读参数和对应的阅读质量标注的训练数据集训练得到;
将该绘本对应的所述绘本参数输入至训练好的绘本难度预测算法模型,以得到该绘本对应的预测绘本难度;所述绘本难度预测算法模型通过包括有多个训练绘本参数和对应的绘本难度标注的训练数据集训练得到;
计算所述预测阅读质量和所述预测绘本难度的乘积,得到该绘本对应的绘本阅读专注度参数。
作为一种可选的实施方式,在本发明第二方面中,所述第二计算模块根据每一所述历史时间段中的所述绘本阅读记录,基于阅读吸收程度算法,计算每一所述历史时间段对应的用户阅读吸收程度参数的具体方式,包括:
对于每一所述历史时间段,基于相似度算法,从该历史时间段的所述绘本阅读记录中筛选出第一绘本阅读记录,从该历史时间段的下一时间段的所述绘本阅读记录中筛选出第二绘本阅读记录;
根据所述阅读质量预测算法模型,计算该历史时间段的所述第一绘本阅读记录中所有绘本对应的所述预测阅读质量的平均值,得到该历史时间段对应的第一阅读质量参数;
根据所述阅读质量预测算法模型,计算所述第二绘本阅读记录中所有所述绘本的所述预测阅读质量的平均值,得到所述下一时间段对应的第二阅读质量参数;
计算所述第一阅读质量参数和所述第二阅读质量参数的参数差,计算该历史时间段和所述下一时间段之间的时间差;
计算所述参数差和所述时间差的比值的绝对值,得到该历史时间段对应的用户阅读吸收程度参数。
作为一种可选的实施方式,在本发明第二方面中,所述第二计算模块基于相似度算法,从该历史时间段的所述绘本阅读记录中筛选出第一绘本阅读记录,从该历史时间段的下一时间段的所述绘本阅读记录中筛选出第二绘本阅读记录的具体方式,包括:
对于该历史时间段的所述绘本阅读记录中的任一第一绘本,和该历史时间段的下一时间段的所述绘本阅读记录中的任一第二绘本,计算该第一绘本与该第二绘本之间的绘本参数的参数相似度;
对于该历史时间段的所述绘本阅读记录中的任一第一绘本,计算该第一绘本对应的所有所述参数相似度的第一平均值;
将该历史时间段的所述绘本阅读记录中的所有所述第一平均值大于第一平均值阈值的第一绘本筛选出来,以得到第一绘本阅读记录;
对于所述下一时间段的所述绘本阅读记录中的任一第二绘本,计算该第二绘本对应的所有所述参数相似度的第二平均值;
将所述下一时间段的所述绘本阅读记录中的所有所述第二平均值大于第二平均值阈值的第二绘本筛选出来,以得到第二绘本阅读记录;所述第二平均值阈值大于所述第一平均值阈值。
作为一种可选的实施方式,在本发明第二方面中,所述预测模块根据每一所述历史时间段对应的所述用户阅读专注程度参数和所述用户阅读吸收程度参数,基于神经网络算法,预测所述目标儿童用户的阅读水平的具体方式,包括:
将每一所述历史时间段对应的所述用户阅读专注程度参数和所述用户阅读吸收程度参数,输入至训练好的水平预测神经网络模型中,以得到每一所述历史时间段对应的预测阅读水平;所述水平预测神经网络模型通过包括有多个训练用户阅读专注程度参数和训练用户阅读吸收程度参数以及对应的阅读水平标注的训练数据集训练得到;
将所有所述历史时间段对应的所述预测阅读水平按时间先后进行排序得到阅读水平序列,筛选出所述阅读水平序列中满足预设的水平持续规则的多个预测阅读水平,以得到多个候选阅读水平;所述水平持续规则用于限定连续预设数量个阅读水平中任意两个阅读水平之间的水平差值小于预设的差值阈值;
计算所述多个候选阅读水平的平均值,得到所述目标儿童用户的阅读水平。
本发明第三方面公开了另一种基于绘本阅读记录的儿童阅读水平预测系统,所述系统包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行本发明第一方面公开的基于绘本阅读记录的儿童阅读水平预测方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行本发明第一方面公开的基于绘本阅读记录的儿童阅读水平预测方法中的部分或全部步骤。
与现有技术相比,本发明具有以下有益效果:
本发明能够基于儿童用户的历史阅读记录,分别计算其阅读专注度和吸收程度,以综合分析儿童阅读水平,从而能够充分根据儿童的历史阅读记录来准确分析儿童阅读水平,为后续的研究或书籍推荐提供准确的数据。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种基于绘本阅读记录的儿童阅读水平预测方法的流程示意图;
图2是本发明实施例公开的一种基于绘本阅读记录的儿童阅读水平预测系统的结构示意图;
图3是本发明实施例公开的另一种基于绘本阅读记录的儿童阅读水平预测系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或端没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种基于绘本阅读记录的儿童阅读水平预测方法及系统,能够基于儿童用户的历史阅读记录,分别计算其阅读专注度和吸收程度,以综合分析儿童阅读水平,从而能够充分根据儿童的历史阅读记录来准确分析儿童阅读水平,为后续的研究或书籍推荐提供准确的数据。以下分别进行详细说明。
实施例一
请参阅图1,图1是本发明实施例公开的一种基于绘本阅读记录的儿童阅读水平预测方法的流程示意图。其中,图1所描述的方法可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中,且该服务器可以是本地服务器,也可以是云服务器,本发明实施例不做限定如图1所示,该基于绘本阅读记录的儿童阅读水平预测方法可以包括以下操作:
101、获取目标儿童用户的历史绘本阅读记录。
具体的,历史绘本阅读记录中包括目标儿童用户在多个历史时间段的多个绘本阅读记录。
具体的,绘本阅读记录包括目标儿童用户对多个绘本的阅读参数和每一绘本的绘本参数。
具体的,阅读参数包括绘本阅读进度、绘本阅读速度、绘本点击操作和绘本特定页的停留时间。
具体的,绘本参数包括绘本参数包括绘本图文比例、绘本篇幅、绘本词汇难度和绘本主题类型。
102、根据每一历史时间段中的绘本阅读记录,基于阅读专注度算法,计算每一历史时间段对应的用户阅读专注程度参数。
103、根据每一历史时间段中的绘本阅读记录,基于阅读吸收程度算法,计算每一历史时间段对应的用户阅读吸收程度参数。
104、根据每一历史时间段对应的用户阅读专注程度参数和用户阅读吸收程度参数,基于神经网络算法,预测目标儿童用户的阅读水平。
可见,实施本发明实施例所描述的方法能够基于儿童用户的历史阅读记录,分别计算其阅读专注度和吸收程度,以综合分析儿童阅读水平,从而能够充分根据儿童的历史阅读记录来准确分析儿童阅读水平,为后续的研究或书籍推荐提供准确的数据。
作为一种可选的实施例,上述步骤中的,根据每一历史时间段中的绘本阅读记录,基于阅读专注度算法,计算每一历史时间段对应的用户阅读专注程度参数,包括:
对于每一历史时间段中的绘本阅读记录中的每一绘本,根据该绘本对应的阅读参数和绘本参数,计算该绘本对应的绘本阅读专注度参数;
计算每一历史时间段中所有绘本的绘本阅读专注度参数的平均值,得到每一历史时间段对应的用户阅读专注程度参数。
通过上述实施例,能够计算每一历史时间段中所有绘本的绘本阅读专注度参数的平均值,得到每一历史时间段对应的用户阅读专注程度参数,从而在后续能够充分根据儿童的用户阅读专注程度参数来准确分析儿童阅读水平,为后续的研究或书籍推荐提供准确的数据。
作为一种可选的实施例,上述步骤中的,根据该绘本对应的阅读参数和绘本参数,计算该绘本对应的绘本阅读专注度参数,包括:
将该绘本对应的阅读参数输入至训练好的阅读质量预测算法模型,以得到该绘本对应的预测阅读质量;阅读质量预测算法模型通过包括有多个训练绘本阅读参数和对应的阅读质量标注的训练数据集训练得到;
将该绘本对应的绘本参数输入至训练好的绘本难度预测算法模型,以得到该绘本对应的预测绘本难度;绘本难度预测算法模型通过包括有多个训练绘本参数和对应的绘本难度标注的训练数据集训练得到;
计算预测阅读质量和预测绘本难度的乘积,得到该绘本对应的绘本阅读专注度参数。
通过上述实施例,能够根据阅读质量预测算法模型和绘本难度预测算法模型来计算阅读质量和绘本难度,以通过绘本难度来调整不同的阅读质量的权重,以得到更加精确的绘本阅读专注度参数,从而在后续能够充分根据儿童的用户阅读专注程度参数来准确分析儿童阅读水平,为后续的研究或书籍推荐提供准确的数据。
作为一种可选的实施例,上述步骤中的,根据每一历史时间段中的绘本阅读记录,基于阅读吸收程度算法,计算每一历史时间段对应的用户阅读吸收程度参数,包括:
对于每一历史时间段,基于相似度算法,从该历史时间段的绘本阅读记录中筛选出第一绘本阅读记录,从该历史时间段的下一时间段的绘本阅读记录中筛选出第二绘本阅读记录;
根据阅读质量预测算法模型,计算该历史时间段的第一绘本阅读记录中所有绘本对应的预测阅读质量的平均值,得到该历史时间段对应的第一阅读质量参数;
根据阅读质量预测算法模型,计算第二绘本阅读记录中所有绘本的预测阅读质量的平均值,得到下一时间段对应的第二阅读质量参数;
计算第一阅读质量参数和第二阅读质量参数的参数差,计算该历史时间段和下一时间段之间的时间差;
计算参数差和时间差的比值的绝对值,得到该历史时间段对应的用户阅读吸收程度参数。
通过上述实施例,能够根据阅读质量预测算法模型来计算不同时间段之间的阅读质量差和时间差,以用于有效表征随着时间流逝儿童用户在阅读相同或相似的书籍时的阅读质量的提升,能够计算出更加精确的用户阅读吸收程度参数,从而在后续能够充分根据儿童的用户阅读吸收程度参数来准确分析儿童阅读水平,为后续的研究或书籍推荐提供准确的数据。
作为一种可选的实施例,上述步骤中的,基于相似度算法,从该历史时间段的绘本阅读记录中筛选出第一绘本阅读记录,从该历史时间段的下一时间段的绘本阅读记录中筛选出第二绘本阅读记录,包括:
对于该历史时间段的绘本阅读记录中的任一第一绘本,和该历史时间段的下一时间段的绘本阅读记录中的任一第二绘本,计算该第一绘本与该第二绘本之间的绘本参数的参数相似度;
对于该历史时间段的绘本阅读记录中的任一第一绘本,计算该第一绘本对应的所有参数相似度的第一平均值;
将该历史时间段的绘本阅读记录中的所有第一平均值大于第一平均值阈值的第一绘本筛选出来,以得到第一绘本阅读记录;
对于下一时间段的绘本阅读记录中的任一第二绘本,计算该第二绘本对应的所有参数相似度的第二平均值;
将下一时间段的绘本阅读记录中的所有第二平均值大于第二平均值阈值的第二绘本筛选出来,以得到第二绘本阅读记录;第二平均值阈值大于第一平均值阈值。
通过上述实施例,能够根据相似度算法和相关的阈值比较规则,筛选出两个时间段的阅读记录中相同或相似的书籍对应的阅读记录,以便于后续通过阅读质量预测算法模型来计算不同时间段之间的阅读质量差和时间差,计算出更加精确的用户阅读吸收程度参数,从而在后续准确分析儿童阅读水平,为后续的研究或书籍推荐提供准确的数据。
作为一种可选的实施例,上述步骤中的,根据每一历史时间段对应的用户阅读专注程度参数和用户阅读吸收程度参数,基于神经网络算法,预测目标儿童用户的阅读水平,包括:
将每一历史时间段对应的用户阅读专注程度参数和用户阅读吸收程度参数,输入至训练好的水平预测神经网络模型中,以得到每一历史时间段对应的预测阅读水平;水平预测神经网络模型通过包括有多个训练用户阅读专注程度参数和训练用户阅读吸收程度参数以及对应的阅读水平标注的训练数据集训练得到;
将所有历史时间段对应的预测阅读水平按时间先后进行排序得到阅读水平序列,筛选出阅读水平序列中满足预设的水平持续规则的多个预测阅读水平,以得到多个候选阅读水平;水平持续规则用于限定连续预设数量个阅读水平中任意两个阅读水平之间的水平差值小于预设的差值阈值;
计算多个候选阅读水平的平均值,得到目标儿童用户的阅读水平。
通过上述实施例,能够根据水平预测神经网络模型和相关的水平持续规则,筛选出多个候选阅读水平以计算得到目标儿童用户的阅读水平,从而能够准确分析儿童阅读水平,为后续的研究或书籍推荐提供准确的数据。
实施例二
请参阅图2,图2是本发明实施例公开的一种基于绘本阅读记录的儿童阅读水平预测系统的结构示意图。其中,图2所描述的系统可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中,且该服务器可以是本地服务器,也可以是云服务器,本发明实施例不做限定。如图2所示,该系统可以包括:
获取模块201,用于获取目标儿童用户的历史绘本阅读记录;历史绘本阅读记录中包括目标儿童用户在多个历史时间段的多个绘本阅读记录;
第一计算模块202,用于根据每一历史时间段中的绘本阅读记录,基于阅读专注度算法,计算每一历史时间段对应的用户阅读专注程度参数;
第二计算模块203,用于根据每一历史时间段中的绘本阅读记录,基于阅读吸收程度算法,计算每一历史时间段对应的用户阅读吸收程度参数;
预测模块204,用于根据每一历史时间段对应的用户阅读专注程度参数和用户阅读吸收程度参数,基于神经网络算法,预测目标儿童用户的阅读水平。
作为一种可选的实施例,绘本阅读记录包括目标儿童用户对多个绘本的阅读参数和每一绘本的绘本参数;阅读参数包括绘本阅读进度、绘本阅读速度、绘本点击操作和绘本特定页的停留时间;绘本参数包括绘本参数包括绘本图文比例、绘本篇幅、绘本词汇难度和绘本主题类型。
作为一种可选的实施例,第一计算模块202根据每一历史时间段中的绘本阅读记录,基于阅读专注度算法,计算每一历史时间段对应的用户阅读专注程度参数的具体方式,包括:
对于每一历史时间段中的绘本阅读记录中的每一绘本,根据该绘本对应的阅读参数和绘本参数,计算该绘本对应的绘本阅读专注度参数;
计算每一历史时间段中所有绘本的绘本阅读专注度参数的平均值,得到每一历史时间段对应的用户阅读专注程度参数。
作为一种可选的实施例,第一计算模块202根据该绘本对应的阅读参数和绘本参数,计算该绘本对应的绘本阅读专注度参数的具体方式,包括:
将该绘本对应的阅读参数输入至训练好的阅读质量预测算法模型,以得到该绘本对应的预测阅读质量;阅读质量预测算法模型通过包括有多个训练绘本阅读参数和对应的阅读质量标注的训练数据集训练得到;
将该绘本对应的绘本参数输入至训练好的绘本难度预测算法模型,以得到该绘本对应的预测绘本难度;绘本难度预测算法模型通过包括有多个训练绘本参数和对应的绘本难度标注的训练数据集训练得到;
计算预测阅读质量和预测绘本难度的乘积,得到该绘本对应的绘本阅读专注度参数。
作为一种可选的实施例,第二计算模块203根据每一历史时间段中的绘本阅读记录,基于阅读吸收程度算法,计算每一历史时间段对应的用户阅读吸收程度参数的具体方式,包括:
对于每一历史时间段,基于相似度算法,从该历史时间段的绘本阅读记录中筛选出第一绘本阅读记录,从该历史时间段的下一时间段的绘本阅读记录中筛选出第二绘本阅读记录;
根据阅读质量预测算法模型,计算该历史时间段的第一绘本阅读记录中所有绘本对应的预测阅读质量的平均值,得到该历史时间段对应的第一阅读质量参数;
根据阅读质量预测算法模型,计算第二绘本阅读记录中所有绘本的预测阅读质量的平均值,得到下一时间段对应的第二阅读质量参数;
计算第一阅读质量参数和第二阅读质量参数的参数差,计算该历史时间段和下一时间段之间的时间差;
计算参数差和时间差的比值的绝对值,得到该历史时间段对应的用户阅读吸收程度参数。
作为一种可选的实施例,第二计算模块203基于相似度算法,从该历史时间段的绘本阅读记录中筛选出第一绘本阅读记录,从该历史时间段的下一时间段的绘本阅读记录中筛选出第二绘本阅读记录的具体方式,包括:
对于该历史时间段的绘本阅读记录中的任一第一绘本,和该历史时间段的下一时间段的绘本阅读记录中的任一第二绘本,计算该第一绘本与该第二绘本之间的绘本参数的参数相似度;
对于该历史时间段的绘本阅读记录中的任一第一绘本,计算该第一绘本对应的所有参数相似度的第一平均值;
将该历史时间段的绘本阅读记录中的所有第一平均值大于第一平均值阈值的第一绘本筛选出来,以得到第一绘本阅读记录;
对于下一时间段的绘本阅读记录中的任一第二绘本,计算该第二绘本对应的所有参数相似度的第二平均值;
将下一时间段的绘本阅读记录中的所有第二平均值大于第二平均值阈值的第二绘本筛选出来,以得到第二绘本阅读记录;第二平均值阈值大于第一平均值阈值。
作为一种可选的实施例,预测模块204根据每一历史时间段对应的用户阅读专注程度参数和用户阅读吸收程度参数,基于神经网络算法,预测目标儿童用户的阅读水平的具体方式,包括:
将每一历史时间段对应的用户阅读专注程度参数和用户阅读吸收程度参数,输入至训练好的水平预测神经网络模型中,以得到每一历史时间段对应的预测阅读水平;水平预测神经网络模型通过包括有多个训练用户阅读专注程度参数和训练用户阅读吸收程度参数以及对应的阅读水平标注的训练数据集训练得到;
将所有历史时间段对应的预测阅读水平按时间先后进行排序得到阅读水平序列,筛选出阅读水平序列中满足预设的水平持续规则的多个预测阅读水平,以得到多个候选阅读水平;水平持续规则用于限定连续预设数量个阅读水平中任意两个阅读水平之间的水平差值小于预设的差值阈值;
计算多个候选阅读水平的平均值,得到目标儿童用户的阅读水平。
本实施例中的上述模块的具体技术细节和技术效果,可以参照实施例一中的表述,在此不再赘述。
实施例三
请参阅图3,图3是本发明实施例公开的另一种基于绘本阅读记录的儿童阅读水平预测系统的结构示意图。如图3所示,该系统可以包括:
存储有可执行程序代码的存储器301;
与存储器301耦合的处理器302;
处理器302调用存储器301中存储的可执行程序代码,执行本发明实施例一公开的基于绘本阅读记录的儿童阅读水平预测方法中的部分或全部步骤。
实施例四
本发明实施例公开了一种计算机存储介质,该计算机存储介质存储有计算机指令,该计算机指令被调用时,用于执行本发明实施例一公开的基于绘本阅读记录的儿童阅读水平预测方法中的部分或全部步骤。
以上所描述的系统实施例仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施例的具体描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述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,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(ErasableProgrammable Read Only Memory,EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是:本发明实施例公开的一种基于绘本阅读记录的儿童阅读水平预测方法及系统所揭露的仅为本发明较佳实施例而已,仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各项实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或替换,并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (6)
1.一种基于绘本阅读记录的儿童阅读水平预测方法,其特征在于,所述方法包括:
获取目标儿童用户的历史绘本阅读记录;所述历史绘本阅读记录中包括所述目标儿童用户在多个历史时间段的多个绘本阅读记录;所述绘本阅读记录包括所述目标儿童用户对多个绘本的阅读参数和每一所述绘本的绘本参数;所述阅读参数包括绘本阅读进度、绘本阅读速度、绘本点击操作和绘本特定页的停留时间;所述绘本参数包括所述绘本参数包括绘本图文比例、绘本篇幅、绘本词汇难度和绘本主题类型;
对于每一所述历史时间段中的所述绘本阅读记录中的每一所述绘本,将该绘本对应的所述阅读参数输入至训练好的阅读质量预测算法模型,以得到该绘本对应的预测阅读质量;所述阅读质量预测算法模型通过包括有多个训练绘本阅读参数和对应的阅读质量标注的训练数据集训练得到;
将该绘本对应的所述绘本参数输入至训练好的绘本难度预测算法模型,以得到该绘本对应的预测绘本难度;所述绘本难度预测算法模型通过包括有多个训练绘本参数和对应的绘本难度标注的训练数据集训练得到;
计算所述预测阅读质量和所述预测绘本难度的乘积,得到该绘本对应的绘本阅读专注度参数;
计算每一所述历史时间段中所有所述绘本的所述绘本阅读专注度参数的平均值,得到每一所述历史时间段对应的用户阅读专注程度参数;
对于每一所述历史时间段,基于相似度算法,从该历史时间段的所述绘本阅读记录中筛选出第一绘本阅读记录,从该历史时间段的下一时间段的所述绘本阅读记录中筛选出第二绘本阅读记录;
根据所述阅读质量预测算法模型,计算该历史时间段的所述第一绘本阅读记录中所有绘本对应的所述预测阅读质量的平均值,得到该历史时间段对应的第一阅读质量参数;
根据所述阅读质量预测算法模型,计算所述第二绘本阅读记录中所有所述绘本的所述预测阅读质量的平均值,得到所述下一时间段对应的第二阅读质量参数;
计算所述第一阅读质量参数和所述第二阅读质量参数的参数差,计算该历史时间段和所述下一时间段之间的时间差;
计算所述参数差和所述时间差的比值的绝对值,得到该历史时间段对应的用户阅读吸收程度参数;
根据每一所述历史时间段对应的所述用户阅读专注程度参数和所述用户阅读吸收程度参数,基于神经网络算法,预测所述目标儿童用户的阅读水平。
2.根据权利要求1所述的基于绘本阅读记录的儿童阅读水平预测方法,其特征在于,所述基于相似度算法,从该历史时间段的所述绘本阅读记录中筛选出第一绘本阅读记录,从该历史时间段的下一时间段的所述绘本阅读记录中筛选出第二绘本阅读记录,包括:
对于该历史时间段的所述绘本阅读记录中的任一第一绘本,和该历史时间段的下一时间段的所述绘本阅读记录中的任一第二绘本,计算该第一绘本与该第二绘本之间的绘本参数的参数相似度;
对于该历史时间段的所述绘本阅读记录中的任一第一绘本,计算该第一绘本对应的所有所述参数相似度的第一平均值;
将该历史时间段的所述绘本阅读记录中的所有所述第一平均值大于第一平均值阈值的第一绘本筛选出来,以得到第一绘本阅读记录;
对于所述下一时间段的所述绘本阅读记录中的任一第二绘本,计算该第二绘本对应的所有所述参数相似度的第二平均值;
将所述下一时间段的所述绘本阅读记录中的所有所述第二平均值大于第二平均值阈值的第二绘本筛选出来,以得到第二绘本阅读记录;所述第二平均值阈值大于所述第一平均值阈值。
3.根据权利要求1所述的基于绘本阅读记录的儿童阅读水平预测方法,其特征在于,所述根据每一所述历史时间段对应的所述用户阅读专注程度参数和所述用户阅读吸收程度参数,基于神经网络算法,预测所述目标儿童用户的阅读水平,包括:
将每一所述历史时间段对应的所述用户阅读专注程度参数和所述用户阅读吸收程度参数,输入至训练好的水平预测神经网络模型中,以得到每一所述历史时间段对应的预测阅读水平;所述水平预测神经网络模型通过包括有多个训练用户阅读专注程度参数和训练用户阅读吸收程度参数以及对应的阅读水平标注的训练数据集训练得到;
将所有所述历史时间段对应的所述预测阅读水平按时间先后进行排序得到阅读水平序列,筛选出所述阅读水平序列中满足预设的水平持续规则的多个预测阅读水平,以得到多个候选阅读水平;所述水平持续规则用于限定连续预设数量个阅读水平中任意两个阅读水平之间的水平差值小于预设的差值阈值;
计算所述多个候选阅读水平的平均值,得到所述目标儿童用户的阅读水平。
4.一种基于绘本阅读记录的儿童阅读水平预测系统,其特征在于,所述系统包括:
获取模块,用于获取目标儿童用户的历史绘本阅读记录;所述历史绘本阅读记录中包括所述目标儿童用户在多个历史时间段的多个绘本阅读记录;所述绘本阅读记录包括所述目标儿童用户对多个绘本的阅读参数和每一所述绘本的绘本参数;所述阅读参数包括绘本阅读进度、绘本阅读速度、绘本点击操作和绘本特定页的停留时间;所述绘本参数包括所述绘本参数包括绘本图文比例、绘本篇幅、绘本词汇难度和绘本主题类型;
第一计算模块,用于根据每一所述历史时间段中的所述绘本阅读记录,基于阅读专注度算法,计算每一所述历史时间段对应的用户阅读专注程度参数,具体包括:
对于每一所述历史时间段中的所述绘本阅读记录中的每一所述绘本,将该绘本对应的所述阅读参数输入至训练好的阅读质量预测算法模型,以得到该绘本对应的预测阅读质量;所述阅读质量预测算法模型通过包括有多个训练绘本阅读参数和对应的阅读质量标注的训练数据集训练得到;
将该绘本对应的所述绘本参数输入至训练好的绘本难度预测算法模型,以得到该绘本对应的预测绘本难度;所述绘本难度预测算法模型通过包括有多个训练绘本参数和对应的绘本难度标注的训练数据集训练得到;
计算所述预测阅读质量和所述预测绘本难度的乘积,得到该绘本对应的绘本阅读专注度参数;
计算每一所述历史时间段中所有所述绘本的所述绘本阅读专注度参数的平均值,得到每一所述历史时间段对应的用户阅读专注程度参数;
第二计算模块,用于根据每一所述历史时间段中的所述绘本阅读记录,基于阅读吸收程度算法,计算每一所述历史时间段对应的用户阅读吸收程度参数,具体包括:
对于每一所述历史时间段,基于相似度算法,从该历史时间段的所述绘本阅读记录中筛选出第一绘本阅读记录,从该历史时间段的下一时间段的所述绘本阅读记录中筛选出第二绘本阅读记录;
根据所述阅读质量预测算法模型,计算该历史时间段的所述第一绘本阅读记录中所有绘本对应的所述预测阅读质量的平均值,得到该历史时间段对应的第一阅读质量参数;
根据所述阅读质量预测算法模型,计算所述第二绘本阅读记录中所有所述绘本的所述预测阅读质量的平均值,得到所述下一时间段对应的第二阅读质量参数;
计算所述第一阅读质量参数和所述第二阅读质量参数的参数差,计算该历史时间段和所述下一时间段之间的时间差;
计算所述参数差和所述时间差的比值的绝对值,得到该历史时间段对应的用户阅读吸收程度参数;
预测模块,用于根据每一所述历史时间段对应的所述用户阅读专注程度参数和所述用户阅读吸收程度参数,基于神经网络算法,预测所述目标儿童用户的阅读水平。
5.一种基于绘本阅读记录的儿童阅读水平预测系统,其特征在于,所述系统包括:
存储有可执行程序代码的存储器;
与所述存储器耦合的处理器;
所述处理器调用所述存储器中存储的所述可执行程序代码,执行如权利要求1-3任一项所述的基于绘本阅读记录的儿童阅读水平预测方法。
6.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机指令,所述计算机指令被调用时,用于执行如权利要求1-3任一项所述的基于绘本阅读记录的儿童阅读水平预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311405066.4A CN117217624B (zh) | 2023-10-27 | 2023-10-27 | 基于绘本阅读记录的儿童阅读水平预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311405066.4A CN117217624B (zh) | 2023-10-27 | 2023-10-27 | 基于绘本阅读记录的儿童阅读水平预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117217624A CN117217624A (zh) | 2023-12-12 |
CN117217624B true CN117217624B (zh) | 2024-03-01 |
Family
ID=89040899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311405066.4A Active CN117217624B (zh) | 2023-10-27 | 2023-10-27 | 基于绘本阅读记录的儿童阅读水平预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117217624B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109567817A (zh) * | 2018-11-19 | 2019-04-05 | 北京育铭天下科技有限公司 | 一种阅读能力评估方法及系统及其辅助装置 |
CN111860121A (zh) * | 2020-06-04 | 2020-10-30 | 上海翎腾智能科技有限公司 | 一种基于ai视觉下的阅读能力辅助评估方法及系统 |
CN111915174A (zh) * | 2020-07-23 | 2020-11-10 | 北京师范大学 | 基于电子绘本的小学生审辩性思维测评方法及系统 |
CN113420213A (zh) * | 2021-06-23 | 2021-09-21 | 洪恩完美(北京)教育科技发展有限公司 | 儿童英语绘本的阅读推荐方法、设备及存储介质 |
CN113609103A (zh) * | 2021-08-17 | 2021-11-05 | 山西传世科技有限公司 | 一种基于ai的交互式阅读支持数据库构建方法及系统 |
CN115081912A (zh) * | 2022-06-28 | 2022-09-20 | 北京奇趣万物科技有限公司 | 帮助儿童增强阅读能力增加阅读兴趣的分级阅读方法及系统 |
CN115700847A (zh) * | 2021-07-28 | 2023-02-07 | 华为技术有限公司 | 绘本阅读方法及相关设备 |
CN116385230A (zh) * | 2023-06-07 | 2023-07-04 | 北京奇趣万物科技有限公司 | 一种儿童阅读能力评测方法和系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160063596A1 (en) * | 2014-08-27 | 2016-03-03 | Kobo Incorporated | Automatically generating reading recommendations based on linguistic difficulty |
US10692393B2 (en) * | 2016-09-30 | 2020-06-23 | International Business Machines Corporation | System and method for assessing reading skills |
-
2023
- 2023-10-27 CN CN202311405066.4A patent/CN117217624B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109567817A (zh) * | 2018-11-19 | 2019-04-05 | 北京育铭天下科技有限公司 | 一种阅读能力评估方法及系统及其辅助装置 |
CN111860121A (zh) * | 2020-06-04 | 2020-10-30 | 上海翎腾智能科技有限公司 | 一种基于ai视觉下的阅读能力辅助评估方法及系统 |
CN111915174A (zh) * | 2020-07-23 | 2020-11-10 | 北京师范大学 | 基于电子绘本的小学生审辩性思维测评方法及系统 |
CN113420213A (zh) * | 2021-06-23 | 2021-09-21 | 洪恩完美(北京)教育科技发展有限公司 | 儿童英语绘本的阅读推荐方法、设备及存储介质 |
CN115700847A (zh) * | 2021-07-28 | 2023-02-07 | 华为技术有限公司 | 绘本阅读方法及相关设备 |
CN113609103A (zh) * | 2021-08-17 | 2021-11-05 | 山西传世科技有限公司 | 一种基于ai的交互式阅读支持数据库构建方法及系统 |
CN115081912A (zh) * | 2022-06-28 | 2022-09-20 | 北京奇趣万物科技有限公司 | 帮助儿童增强阅读能力增加阅读兴趣的分级阅读方法及系统 |
CN116385230A (zh) * | 2023-06-07 | 2023-07-04 | 北京奇趣万物科技有限公司 | 一种儿童阅读能力评测方法和系统 |
Non-Patent Citations (1)
Title |
---|
基于用户阅读时间-频次行为的书籍推荐方法;曹斌;龚佼蓉;彭宏杰;赵立为;范菁;;计算机科学;20151115(第S2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117217624A (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304440B (zh) | 游戏推送的方法、装置、计算机设备及存储介质 | |
CN110084271B (zh) | 一种图片类别的识别方法和装置 | |
CN109190109B (zh) | 融合用户信息生成评论摘要的方法及装置 | |
US20140123311A1 (en) | Progressive unlocking of e-book content | |
CN113255735A (zh) | 患者用药方案的确定方法及确定装置 | |
CN111813954A (zh) | 文本语句中两实体的关系确定方法、装置和电子设备 | |
CN116910274B (zh) | 基于知识图谱和预测模型的试题生成方法及系统 | |
CN117217624B (zh) | 基于绘本阅读记录的儿童阅读水平预测方法及系统 | |
CN110852322B (zh) | 感兴趣区域的确定方法及装置 | |
CN112330442A (zh) | 基于超长行为序列的建模方法及装置、终端、存储介质 | |
US10824955B2 (en) | Adaptive window size segmentation for activity recognition | |
CN114842382A (zh) | 一种生成视频的语义向量的方法、装置、设备及介质 | |
CN117194792B (zh) | 基于角色预测的儿童绘本推荐方法及系统 | |
Rezek et al. | Parametric model order estimation: a brief review | |
CN115082041A (zh) | 用户信息管理方法、装置、设备及存储介质 | |
CN113407772B (zh) | 视频推荐模型的生成方法、视频推荐方法、装置 | |
CN113836430A (zh) | 书籍推荐方法、终端及存储介质 | |
CN113361381A (zh) | 人体关键点检测模型训练方法、检测方法及装置 | |
CN114511095A (zh) | 数据处理方法及装置、计算设备、存储介质 | |
CN112149833A (zh) | 基于机器学习的预测方法、装置、设备和存储介质 | |
CN110991641A (zh) | 一种油藏类型分析方法、装置及电子设备 | |
CN111309706A (zh) | 模型训练方法、装置、可读存储介质及电子设备 | |
CN116610484B (zh) | 一种模型训练方法、故障预测方法、系统、设备以及介质 | |
CN112860991B (zh) | 基于用户习惯的书籍优选方法及装置 | |
CN113473124B (zh) | 信息获取方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |