CN117573985B - 一种应用于智能化在线教育系统的信息推送方法及系统 - Google Patents
一种应用于智能化在线教育系统的信息推送方法及系统 Download PDFInfo
- Publication number
- CN117573985B CN117573985B CN202410057997.8A CN202410057997A CN117573985B CN 117573985 B CN117573985 B CN 117573985B CN 202410057997 A CN202410057997 A CN 202410057997A CN 117573985 B CN117573985 B CN 117573985B
- Authority
- CN
- China
- Prior art keywords
- question
- answer
- data
- answering
- online education
- 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 46
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims description 31
- 238000000605 extraction Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003058 natural language processing Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- 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
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- 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
- G06F16/33—Querying
- G06F16/335—Filtering based on additional data, e.g. user or group profiles
-
- 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
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
- G06F16/903—Querying
- G06F16/9035—Filtering based on additional data, e.g. user or group profiles
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Electrically Operated Instructional Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种应用于智能化在线教育系统的信息推送方法及系统,利用训练好的问答知识预测网络对在线教育问答数据进行分析,以判断每条在线教育问答数据是匹配还是不匹配预设问答知识点,对于那些匹配预设问答知识点的在线教育问答数据,进一步利用问答节点处理网络执行问答节点特征提取和节点路径特征提取,当目标问答节点特征与预设问答知识点相匹配,并且目标节点路径特征符合设定的路径特征时,将该问答数据标识为关键教育问答数据,通过分析关键教育问答数据来识别目标用户的具体关注点信息,从而可以向目标用户的教育学习终端推送相关的教育问答内容,实现了个性化的特定学习需求的内容推送,提高用户参与度。
Description
技术领域
本申请涉及智慧教育技术领域,具体而言,涉及一种应用于智能化在线教育系统的信息推送方法及系统。
背景技术
随着互联网技术的快速发展,在线教育已成为现代学习的一个重要组成部分。它通过网络平台提供了灵活、便捷的教学资源,使得学生能够在任何时间、任何地点接受教育。在线问答系统作为在线教育的核心功能之一,极大地促进了师生之间以及学生与学生之间的互动交流。
尽管在线教育问答系统为用户提供了大量的信息和便利,但由于数据量庞大且呈现出高度异构性,学生往往难以从中快速获取到精准和高质量的知识内容。此外,传统的问答系统常常缺乏有效的知识结构化,无法确保提供的内容能够与教学大纲和知识体系相匹配,导致学生在学习过程中遇到困难,无法形成连贯的知识体系。
当前,大多数在线教育平台使用关键词搜索或基于规则的方法来检索和分类问答内容,这些方法通常依赖于表面的文字匹配,而不是深入理解问答数据的内在语义和逻辑结构。这种做法往往导致结果不够精确,无法有效区分哪些问答数据是关键的教育内容,哪些不是。因此,存在着急需解决的问题是如何准确识别和提取出那些既包含正确知识点,又符合教学逻辑结构的关键教育问答数据。
发明内容
有鉴于此,本申请的目的在于提供一种应用于智能化在线教育系统的信息推送方法及系统。
依据本申请的第一方面,提供一种应用于智能化在线教育系统的信息推送方法,所述方法包括:
获取智能化在线教育系统监控到的在线教育问答数据;
依据问答知识预测网络对所述在线教育问答数据进行问答知识匹配,生成第一问答知识匹配信息,所述第一问答知识匹配信息用于反映所述问答知识预测网络对所述在线教育问答数据匹配预设问答知识点或者所述在线教育问答数据不匹配预设问答知识点的匹配结果;
如果所述第一问答知识匹配信息反映所述在线教育问答数据匹配所述预设问答知识点,依据问答节点处理网络对所述在线教育问答数据进行问答节点特征提取,生成目标问答节点特征,以及依据问答节点处理网络对所述在线教育问答数据进行节点路径特征提取,生成所述目标问答节点特征之间的目标节点路径特征;
如果所述目标问答节点特征匹配所述预设问答知识点,且所述目标节点路径特征满足设定路径特征,确定所述在线教育问答数据为关键教育问答数据;
对所述关键教育问答数据进行分析,识别出对应的目标用户匹配所述预设问答知识点的关注点信息,并根据所述关注点信息将相关的教育问答内容推送给所述目标用户的教育学习终端。
在第一方面的一种可能的实施方式中,所述获取智能化在线教育系统监控到的在线教育问答数据的步骤之后,所述方法还包括:
检测先验在线教育问答数据和所述在线教育问答数据之间的语义关联参数,所述先验在线教育问答数据为除所述在线教育问答数据以外的其它在线教育问答数据;
如果所述先验在线教育问答数据和所述在线教育问答数据之间的语义关联参数不小于预设的设定参数值,分析所述先验在线教育问答数据是否为已完成分析的在线教育问答数据;
如果所述先验在线教育问答数据为已完成分析的在线教育问答数据,继续轮询监控下一个在线教育问答数据;或者,如果所述先验在线教育问答数据为未完成分析的在线教育问答数据,剔除所述先验在线教育问答数据;
或者,分析所述在线教育问答数据中是否具有设定的有效问答语义特征,如果所述在线教育问答数据不具有所述有效问答语义特征,确定所述在线教育问答数据为噪声数据。
在第一方面的一种可能的实施方式中,所述问答知识预测网络包括第一问答知识预测网络和第二问答知识预测网络;所述依据问答知识预测网络对所述在线教育问答数据进行问答知识匹配,生成第一问答知识匹配信息,包括:
将所述在线教育问答数据加载至所述第一问答知识预测网络和所述第二问答知识预测网络中;
依据所述第一问答知识预测网络对所述在线教育问答数据进行问答知识匹配,生成第二问答知识匹配信息;所述第二问答知识匹配信息用于反映所述第一问答知识预测网络对所述在线教育问答数据匹配预设问答知识点或者所述在线教育问答数据不匹配预设问答知识点的匹配结果;
依据所述第二问答知识预测网络对所述在线教育问答数据进行问答知识匹配,生成第三问答知识匹配信息;所述第三问答知识匹配信息用于反映所述第二问答知识预测网络对所述在线教育问答数据匹配预设问答知识点或者所述在线教育问答数据不匹配预设问答知识点的匹配结果;
如果所述第二问答知识匹配信息反映所述在线教育问答数据匹配预设问答知识点且所述第三问答知识匹配信息反映所述在线教育问答数据匹配预设问答知识点,将所述第一问答知识匹配信息输出为反映所述在线教育问答数据匹配预设问答知识点的匹配结果;
或者如果所述第二问答知识匹配信息反映所述在线教育问答数据不匹配预设问答知识点,或者所述第三问答知识匹配信息反映所述在线教育问答数据不匹配预设问答知识点,将所述第一问答知识匹配信息输出为反映所述在线教育问答数据不匹配预设问答知识点的匹配结果。
在第一方面的一种可能的实施方式中,所述将所述在线教育问答数据加载至所述第一问答知识预测网络和所述第二问答知识预测网络中,包括:
从所述在线教育问答数据的问答初始行提取第一问答计量跨度的目标问答数据,生成第一在线教育问答数据;
从所述在线教育问答数据的问答初始行提取第二问答计量跨度的目标问答数据,生成第二在线教育问答数据;
将所述第一在线教育问答数据加载至所述第一问答知识预测网络中,以及将所述第二在线教育问答数据加载至所述第二问答知识预测网络中;
其中,所述第一问答计量跨度小于第三问答计量跨度,所述第二问答计量跨度大于所述第三问答计量跨度;所述第三问答计量跨度为所述在线教育问答数据的全局问答计量跨度的一半。
在第一方面的一种可能的实施方式中,所述依据所述第一问答知识预测网络对所述在线教育问答数据进行问答知识匹配,生成第二问答知识匹配信息,包括:
对所述在线教育问答数据进行问答上下文单元拆分,生成所述在线教育问答数据对应的第一问答上下文单元,并确定所述第一问答上下文单元中各个问答行对应的第一语义理解向量序列;
基于所述第一问答上下文单元中各个问答行对应的第一语义理解向量序列,依据所述第一问答知识预测网络进行问答知识匹配,生成第二问答知识匹配信息。
在第一方面的一种可能的实施方式中,所述基于所述第一问答上下文单元中各个问答行对应的第一语义理解向量序列,依据所述第一问答知识预测网络进行问答知识匹配,生成第二问答知识匹配信息,包括:
基于所述第一问答上下文单元中各个问答行对应的第一语义理解向量序列,确定所述在线教育问答数据对应的语义特征数据;
基于所述语义特征数据,依据所述第一问答知识预测网络进行问答知识匹配,生成所述第二问答知识匹配信息。
在第一方面的一种可能的实施方式中,所述依据所述第一问答知识预测网络进行问答知识匹配,生成所述第二问答知识匹配信息,包括:
依据所述第一问答知识预测网络进行问答知识匹配,生成所述第一问答知识预测网络预测的置信度;所述置信度用于反映所述第一问答知识预测网络预测所述在线教育问答数据匹配预设问答知识点的可能性;
如果所述置信度不小于设定置信度,将所述第二问答知识匹配信息输出为反映所述在线教育问答数据匹配预设问答知识点的匹配结果;
或者,如果所述置信度小于所述设定置信度,将所述第二问答知识匹配信息输出为反映所述在线教育问答数据不匹配预设问答知识点的匹配结果。
在第一方面的一种可能的实施方式中,所述依据问答节点处理网络对所述在线教育问答数据进行问答节点特征提取,生成目标问答节点特征,以及依据问答节点处理网络对所述在线教育问答数据进行节点路径特征提取,生成所述目标问答节点特征之间的目标节点路径特征,包括:
对所述在线教育问答数据进行划分,生成多个目标问答主题;
对各个所述目标问答主题进行问答上下文单元拆分,生成所述目标问答主题对应的第二问答上下文单元,并确定所述第二问答上下文单元中各个问答行对应的第二语义理解向量序列;
基于所述第二问答上下文单元中各个问答行对应的第二语义理解向量序列,依据所述问答节点处理网络对所述在线教育问答数据进行问答节点特征提取,生成目标问答节点特征,以及依据问答节点处理网络对所述在线教育问答数据进行节点路径特征提取,生成所述目标问答节点特征之间的目标节点路径特征。
在第一方面的一种可能的实施方式中,所述问答知识预测网络的训练步骤,包括:
获取样例学习数据序列;所述样例学习数据序列中包括多个训练轮次的模板在线教育问答数据和各个所述模板在线教育问答数据对应的训练标注数据,所述训练标注数据用于反映所述模板在线教育问答数据匹配第一问答知识点或者所述模板在线教育问答数据不匹配第一问答知识点的标注数据;
将所述模板在线教育问答数据加载至初始化的问答知识预测网络中,依据所述初始化的问答知识预测网络对所述模板在线教育问答数据进行问答知识匹配,生成第四问答知识匹配信息,所述第四问答知识匹配信息用于反映所述问答知识预测网络对所述模板在线教育问答数据匹配第一问答知识点或者所述模板在线教育问答数据不匹配第一问答知识点的匹配结果;
基于所述训练标注数据和所述第四问答知识匹配信息,确定第一网络误差参数;
基于所述第一网络误差参数,对所述初始化的问答知识预测网络进行训练,生成完成训练的问答知识预测网络;
其中,在所述获取样例学习数据序列的步骤之后,从所述模板在线教育问答数据确定多个第三在线教育问答数据;所述第三在线教育问答数据对应的所述训练标注数据反映所述第三在线教育问答数据匹配第一问答知识点;对所述第三在线教育问答数据进行数据增强。
依据本申请的第二方面,提供一种应用于智能化在线教育系统的信息推送系统,所述应用于智能化在线教育系统的信息推送系统包括机器可读存储介质及处理器,所述机器可读存储介质存储有机器可执行指令,所述处理器在执行所述机器可执行指令时,该应用于智能化在线教育系统的信息推送系统实现前述的应用于智能化在线教育系统的信息推送方法。
依据本申请的第三方面,提供提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可执行指令,当所述计算机可执行指令被执行时,实现前述的应用于智能化在线教育系统的信息推送方法。
依据上述任意一个方面,本申请中,通过构建一个智能化在线教育系统,实现对在线教育问答数据的有效分析和处理,从而提升教育资源的匹配精度和个性化推荐的效率。具体而言,利用训练好的问答知识预测网络对在线教育问答数据进行分析,以判断每条在线教育问答数据是匹配还是不匹配预设问答知识点,对于那些匹配预设问答知识点的在线教育问答数据,进一步利用问答节点处理网络执行问答节点特征提取和节点路径特征提取,以描述出问答内容的深层结构和知识脉络。当目标问答节点特征与预设问答知识点相匹配,并且目标节点路径特征符合设定的路径特征时,将该问答数据标识为关键教育问答数据,这意味着这部分关键教育问答数据在知识传授中起到核心作用,或者涉及到重要的教育信息。通过分析关键教育问答数据来识别目标用户的具体关注点信息,从而可以向目标用户的教育学习终端推送相关的教育问答内容,实现了个性化的特定学习需求的内容推送,提高用户参与度。也即,本申请实现了从大量在线教育问答数据中筛选出关键信息,并根据用户需求提供定制化服务的智能化解决方案。这不仅有助于优化教育资源的利用,还能够为用户带来更加个性化的学习体验。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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,还可以依据这些附图获得其它相关的附图。
图1本申请实施例所提供的应用于智能化在线教育系统的信息推送方法的流程示意图;
图2示出了本申请实施例所提供的用于实现上述的应用于智能化在线教育系统的信息推送方法的应用于智能化在线教育系统的信息推送系统的组件结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将依据本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,应当理解,本申请中附图仅起到说明和描述的目的,并不用于限定本申请的保护范围。另外,应当理解,示意性的附图并未按实物比例绘制。本申请中使用的流程图示出了依据本申请实施例的一些实施例实现的操作。应该理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本申请内容的指引下,可以向流程图添加至少一个其它操作,也可以从流程图中销毁至少一个操作。
另外,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。依据本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例,都对应于本申请保护的范围。
图1示出了本申请实施例提供的应用于智能化在线教育系统的信息推送方法及系统的流程示意图,应当理解,在其它实施例中,本实施例的应用于智能化在线教育系统的信息推送方法其中部分步骤的顺序可以依据实际需要相互共享,或者其中的部分步骤也可以省略或维持。该应用于智能化在线教育系统的信息推送方法的详细步骤包括:
步骤S110,获取智能化在线教育系统监控到的在线教育问答数据。
例如,智能化在线教育系统可以通过其内置的监控工具或API接口,收集学生和教师在在线教育平台上进行的问答交互数据。这些数据可能包括问题、回答、讨论帖子、评论以及相关的元数据(如时间戳、用户ID、课程标签等)。
步骤S120,依据问答知识预测网络对所述在线教育问答数据进行问答知识匹配,生成第一问答知识匹配信息,所述第一问答知识匹配信息用于反映所述问答知识预测网络对所述在线教育问答数据匹配预设问答知识点或者所述在线教育问答数据不匹配预设问答知识点的匹配结果。
例如,本步骤涉及到使用一个预训练的问答知识预测网络(可以是基于深度学习的神经网络模型),来分析前述在线教育问答数据并与预设的问答知识点进行匹配。第一问答知识匹配信息会生成,可以用于指示哪些在线教育问答数据与特定的问答知识点相匹配,或者指出没有找到合适的问答知识点匹配。
步骤S130,如果所述第一问答知识匹配信息反映所述在线教育问答数据匹配所述预设问答知识点,依据问答节点处理网络对所述在线教育问答数据进行问答节点特征提取,生成目标问答节点特征,以及依据问答节点处理网络对所述在线教育问答数据进行节点路径特征提取,生成所述目标问答节点特征之间的目标节点路径特征。
例如,如果在线教育问答数据成功匹配到了预设的问答知识点,那么可以进一步通过问答节点处理网络进行深入分析,例如,可以从在线教育问答数据中提取关键的问答节点特征(即关键概念、术语或实体)和它们之间的路径特征(即概念间的逻辑或语义关系),由此可以更好地理解问答节点特征的结构和深层含义。
步骤S140,如果所述目标问答节点特征匹配所述预设问答知识点,且所述目标节点路径特征满足设定路径特征,确定所述在线教育问答数据为关键教育问答数据。
例如,若目标问答节点特征与预设的知识点相匹配,并且节点路径特征满足既定的路径特征标准,则这些在线教育问答数据可以被认为是关键教育问答数据,这表明这些在线教育问答数据在教育内容上尤为重要,可能对学习结果有显著影响。
也即,通过判断在线教育问答数据是否匹配特定的预设问答知识点。如果与预设问答知识点相匹配,则该在线教育问答数据的目标问答节点特征符合预期。其次,进一步分析这些已匹配的在线教育问答数据,以确定其节点路径特征是否满足特定的条件,这些特定条件可能基于知识点之间的结构化关系,例如确保一个复杂知识点的解释在其基础知识点之后呈现。
当一个问答数据单位同时满足以上两个条件时,即它不仅包含了正确的目标问答节点特征,而且它的节点路径特征也与预设的教育知识结构相符,就会将其判定关键教育问答数据。这类关键教育问答数据被认为对教学尤为重要,可能因其清晰地展示了关键概念、准确回答了常见问题、或者有助于学生建立扎实的知识基础。
在实际应用中,关键教育问答数据可以被用来优化教育资源的组织,为学习者提供更加针对性的学习路径,或者被教师用作教学案例和讨论的起点。
步骤S150,对所述关键教育问答数据进行分析,识别出对应的目标用户匹配所述预设问答知识点的关注点信息,并根据所述关注点信息将相关的教育问答内容推送给所述目标用户的教育学习终端。
例如,可以对关键教育问答数据进行深入分析,确定目标用户群体的关注点信息。这可能包括用户在特定知识点上的疑问、错误理解、频繁讨论的主题等。 一旦识别了用户的关注点,将针对性地将相关的教育问答内容推送至目标用户的教育学习终端。这种推送可以采用个性化通知、推荐阅读、练习题推送等形式,确保用户能够接收到对他们最有价值的信息。
整个过程的目的是通过高效的数据分析和智能匹配机制,确保学生能够及时获得对其学习有益的支持和资源。这种方法利用了先进的人工智能技术,能够大幅提升在线教育的质量和个性化水平。
基于以上步骤,通过构建一个智能化在线教育系统,实现对在线教育问答数据的有效分析和处理,从而提升教育资源的匹配精度和个性化推荐的效率。具体而言,利用训练好的问答知识预测网络对在线教育问答数据进行分析,以判断每条在线教育问答数据是匹配还是不匹配预设问答知识点,对于那些匹配预设问答知识点的在线教育问答数据,进一步利用问答节点处理网络执行问答节点特征提取和节点路径特征提取,以描述出问答内容的深层结构和知识脉络。当目标问答节点特征与预设问答知识点相匹配,并且目标节点路径特征符合设定的路径特征时,将该问答数据标识为关键教育问答数据,这意味着这部分关键教育问答数据在知识传授中起到核心作用,或者涉及到重要的教育信息。通过分析关键教育问答数据来识别目标用户的具体关注点信息,从而可以向目标用户的教育学习终端推送相关的教育问答内容,实现了个性化的特定学习需求的内容推送,提高用户参与度。也即,本申请实现了从大量在线教育问答数据中筛选出关键信息,并根据用户需求提供定制化服务的智能化解决方案。这不仅有助于优化教育资源的利用,还能够为用户带来更加个性化的学习体验。
在一种可能的实施方式中,所述步骤S110之后,本实施例还可以包括以下步骤:
步骤S111,检测先验在线教育问答数据和所述在线教育问答数据之间的语义关联参数,所述先验在线教育问答数据为除所述在线教育问答数据以外的其它在线教育问答数据。
这个步骤涉及分析新收集的在线教育问答数据(比如最近的学生提问和教师回答),并将它们与系统数据库中已有的其他在线教育问答数据(即先验在线教育问答数据)进行比较,这种比较是为了确定两者之间是否存在语义上的联系,也就是看它们是否在话题或内容上相关。
步骤S112,如果所述先验在线教育问答数据和所述在线教育问答数据之间的语义关联参数不小于预设的设定参数值,分析所述先验在线教育问答数据是否为已完成分析的在线教育问答数据。
例如,如果新的在线教育问答数据与现有的某些问答数据之间的关联性超过了一个预先设定的阈值,这意味着这两组数据在内容上是相似或相关的,可能围绕相同的主题或知识点。
步骤S113,如果所述先验在线教育问答数据为已完成分析的在线教育问答数据,继续轮询监控下一个在线教育问答数据。或者,如果所述先验在线教育问答数据为未完成分析的在线教育问答数据,剔除所述先验在线教育问答数据。
例如,对于那些与新问答数据语义关联的先验在线教育问答数据,可以检查这些先验在线教育问答数据是否已经被处理过了。如果这些先验在线教育问答数据已经被分析并且整合到知识库中,那么没有必要再次处理它们,从而可以忽略那些已经分析过的数据,并转向下一个待分析的新问答数据集。
如果检测到一些与新问答数据相关的先验数据尚未被处理,那么会将这些未分析的数据从考虑范围内移除。这可以避免资源浪费在重复或无关紧要的数据上。
或者,步骤S114,分析所述在线教育问答数据中是否具有设定的有效问答语义特征,如果所述在线教育问答数据不具有所述有效问答语义特征,确定所述在线教育问答数据为噪声数据。
例如,这个步骤中,可以检查新的问答数据是否含有有效的语义特征,比如问题是否表达清晰、是否有实质性的教育价值等。如果新问答数据缺乏有效的语义特征,系统会将其标记为噪声数据。噪声数据通常指那些无法提供有用信息或者不相关的内容,比如灌水、离题、或者无法理解的内容。
由此,本实施例是一个优化的数据筛选流程,旨在提高在线教育问答系统的效率和质量,确保仅将有价值的数据纳入分析和应用,同时去除无效或重复的内容。
在一种可能的实施方式中,所述问答知识预测网络包括第一问答知识预测网络和第二问答知识预测网络。步骤S120可以包括:
步骤S121,将所述在线教育问答数据加载至所述第一问答知识预测网络和所述第二问答知识预测网络中。
步骤S122,依据所述第一问答知识预测网络对所述在线教育问答数据进行问答知识匹配,生成第二问答知识匹配信息。所述第二问答知识匹配信息用于反映所述第一问答知识预测网络对所述在线教育问答数据匹配预设问答知识点或者所述在线教育问答数据不匹配预设问答知识点的匹配结果。
步骤S123,依据所述第二问答知识预测网络对所述在线教育问答数据进行问答知识匹配,生成第三问答知识匹配信息。所述第三问答知识匹配信息用于反映所述第二问答知识预测网络对所述在线教育问答数据匹配预设问答知识点或者所述在线教育问答数据不匹配预设问答知识点的匹配结果。
步骤S124,如果所述第二问答知识匹配信息反映所述在线教育问答数据匹配预设问答知识点且所述第三问答知识匹配信息反映所述在线教育问答数据匹配预设问答知识点,将所述第一问答知识匹配信息输出为反映所述在线教育问答数据匹配预设问答知识点的匹配结果。
步骤S125,或者如果所述第二问答知识匹配信息反映所述在线教育问答数据不匹配预设问答知识点,或者所述第三问答知识匹配信息反映所述在线教育问答数据不匹配预设问答知识点,将所述第一问答知识匹配信息输出为反映所述在线教育问答数据不匹配预设问答知识点的匹配结果。
例如,在接收在线教育平台上用户产生的在线教育问答数据后,这些在线教育问答数据可以包含问题和相应的回答。所述在线教育问答数据首先被传输到第一问答知识预测网络,同时也被传输到第二问答知识预测网络。这两个问答知识预测网络都将独立地处理相同的在线教育问答数据。
第一问答知识预测网络会根据其预设的模型和算法分析所述在线教育问答数据。它检查所述在线教育问答数据中的关键概念、用语和上下文,与预先定义的知识点数据库进行比较,以确定是否存在匹配。当第一问答知识预测网络发现所述在线教育问答数据与某个或某些预设问答知识点相符时,它将生成表示此匹配状态的第二问答知识匹配信息。
同时,第二问答知识预测网络也会对所述在线教育问答数据进行深入分析。该第二问答知识预测网络可能专注于更高级别的理解,比如问题的复杂性、答案的准确性和详细程度等。如果第二问答知识预测网络也认定所述在线教育问答数据与预设问答知识点相匹配,则它会生成第三问答知识匹配信息,以反映所述在线教育问答数据与另一层面的预设问答知识点之间的匹配结果。
如果第二问答知识匹配信息显示所述在线教育问答数据匹配预设问答知识点,同时第三问答知识匹配信息也显示所述在线教育问答数据匹配预设问答知识点,则第一问答知识匹配信息将被确定为反映所述在线教育问答数据匹配预设问答知识点的匹配结果,并被输出。
如果第二问答知识匹配信息显示所述在线教育问答数据不匹配预设问答知识点,或者第三问答知识匹配信息显示所述在线教育问答数据不匹配预设问答知识点,则第一问答知识匹配信息将被确定为反映所述在线教育问答数据不匹配预设问答知识点的匹配结果,并被输出。
通过以上步骤,可以保证所述在线教育问答数据的处理精准度,确保只有与预设问答知识点匹配的数据才会被用于后续的教学和学习活动,从而提升整个在线教育系统的有效性和效率。
在一种可能的实施方式中,步骤S121可以包括:
步骤S1211,从所述在线教育问答数据的问答初始行提取第一问答计量跨度的目标问答数据,生成第一在线教育问答数据。
步骤S1212,从所述在线教育问答数据的问答初始行提取第二问答计量跨度的目标问答数据,生成第二在线教育问答数据。
步骤S1213,将所述第一在线教育问答数据加载至所述第一问答知识预测网络中,以及将所述第二在线教育问答数据加载至所述第二问答知识预测网络中。
例如,可以从在线教育问答数据的起始部分(问答初始行)开始处理,并根据设定的第一问答计量跨度提取相关的目标问答数据。这里提取的目标问答数据范围较窄,因为第一问答计量跨度相对较小。所提取出来的这部分数据被称作第一在线教育问答数据。
紧接着,再次从在线教育问答数据的同一问答初始行开始,但这次使用一个更大的第二问答计量跨度来提取数据。由于第二问答计量跨度比第一问答计量跨度要大,所以涵盖了更广泛的内容。提取后的这部分数据成为第二在线教育问答数据。
一旦第一在线教育问答数据和第二在线教育问答数据被创建,系统随即将它们分别加载到两个不同的问答知识预测网络中进行分析。第一在线教育问答数据被送入第一问答知识预测网络,而第二在线教育问答数据则被加载到第二问答知识预测网络。
其中,所述第一问答计量跨度小于第三问答计量跨度,所述第二问答计量跨度大于所述第三问答计量跨度。所述第三问答计量跨度为所述在线教育问答数据的全局问答计量跨度的一半。也即,此部分说明了第一问答计量跨度和第二问答计量跨度如何与第三问答计量跨度相互关联。第一问答计量跨度较小,实际上小于第三问答计量跨度。另一方面,第二问答计量跨度则大于第三问答计量跨度。此外,第三问答计量跨度本身定义为在线教育问答数据全局问答计量跨度的一半。
通过以上步骤,能够针对不同层次和范围的问答数据进行分析,确保第一问答知识预测网络和第二问答知识预测网络都能接收并处理最为合适的输入数据。这种方法可能用于优化各个网络的性能,确保它们在处理不同类型的问答数据时能够发挥最大效率。
在一种可能的实施方式中,步骤S122可以包括:
步骤S1221,对所述在线教育问答数据进行问答上下文单元拆分,生成所述在线教育问答数据对应的第一问答上下文单元,并确定所述第一问答上下文单元中各个问答行对应的第一语义理解向量序列。
步骤S1222,基于所述第一问答上下文单元中各个问答行对应的第一语义理解向量序列,依据所述第一问答知识预测网络进行问答知识匹配,生成第二问答知识匹配信息。
当所述在线教育问答数据被提交到时,首先是由第一问答知识预测网络接手。这个第一问答知识预测网络将所述在线教育问答数据中的问题和答案进行分析,对其内容进行拆分。拆分的目的是将问答内容划分为更小的单元,称为第一问答上下文单元。
第一问答知识预测网络继续工作,为每一个第一问答上下文单元生成一个对应的第一语义理解向量序列。这些第一语义理解向量序列可以捕捉每个第一问答上下文单元的语义信息,并将之转化为机器能够理解和处理的数学表示形式。这个过程可能涉及到自然语言处理技术,比如词嵌入或深度学习模型,以获取精确的语义表示。
在确定每个第一问答上下文单元对应的第一语义理解向量序列后,第一问答知识预测网络进一步执行任务,可以根据这些第一语义理解向量序列与预设的问答知识点数据库进行匹配。匹配过程可能包括搜索相关知识点、比较语义相似度等,以确定所述在线教育问答数据中的问题和答案是否与已知的知识点相符合。
完成问答知识匹配后,第一问答知识预测网络将生成第二问答知识匹配信息。如果发现所述在线教育问答数据中的内容确实与某个预设的物理学问答知识点匹配,那么第二问答知识匹配信息就会反映这一匹配结果。否则,第二问答知识匹配信息将指示这份问答数据与已有的知识点不匹配。
通过以上步骤,第一问答知识预测网络能够高效地处理和分析在线教育问答数据,确保所提供的内容与学术标准和教育目标保持一致,同时也增强了平台的知识管理和个性化教学能力。
在一种可能的实施方式中,步骤S1222可以包括:基于所述第一问答上下文单元中各个问答行对应的第一语义理解向量序列,确定所述在线教育问答数据对应的语义特征数据。接着,基于所述语义特征数据,依据所述第一问答知识预测网络进行问答知识匹配,生成所述第二问答知识匹配信息。
例如,假设在一个在线教育平台上,学生提交了关于数学几何问题的问答数据。第一问答上下文单元包含这个问题及其回答的全部或部分内容,这取决于该第一问答上下文单元涵盖的问答行数量。每一行问答数据都会被转化为一个第一语义理解向量,这些第一语义理解向量连在一起形成一个序列,代表整个问答上下文单元的深层语义信息。通过这些第一语义理解向量序列来抽取所述在线教育问答数据的关键语义特征数据。
第一问答知识预测网络随后使用提取出的语义特征数据来分析和评估问答数据。例如,第一问答知识预测网络可能评估所述在线教育问答数据中提到的几何概念、定理和求解步骤是否与教育平台的数学知识库中的相关知识点相匹配。如果第一问答知识预测网络判定所述在线教育问答数据的语义内容与某个预定义的数学知识点对应,则它会生成表示此匹配状态的第二问答知识匹配信息。这个第二问答知识匹配信息是关于问答数据匹配程度的一种量化表达,它有助于后续的教育资源推荐或个性化学习路径设计。
通过以上步骤,第一问答知识预测网络能够准确地识别和验证在线教育问答数据中的知识点,从而为学生提供针对性的学习支持和增强教育平台的个性化教学效果。
在一种可能的实施方式中,在依据所述第一问答知识预测网络进行问答知识匹配,生成所述第二问答知识匹配信息的过程中,依据所述第一问答知识预测网络进行问答知识匹配,生成所述第一问答知识预测网络预测的置信度。所述置信度用于反映所述第一问答知识预测网络预测所述在线教育问答数据匹配预设问答知识点的可能性。如果所述置信度不小于设定置信度,将所述第二问答知识匹配信息输出为反映所述在线教育问答数据匹配预设问答知识点的匹配结果。或者,如果所述置信度小于所述设定置信度,将所述第二问答知识匹配信息输出为反映所述在线教育问答数据不匹配预设问答知识点的匹配结果。
例如,在具体场景中,假设一个学生在在线教育平台上提问了一个关于生物学的问题,那么可以使用第一问答知识预测网络和第二问答知识预测网络来处理这类问答数据,并判断它们是否与预设的教育内容相匹配。当所述在线教育问答数据被提交至第一问答知识预测网络时,开始分析问题的内容和结构,可以利用自然语言处理技术来理解问题中的关键词汇和概念,并尝试将其与数据库中的预设问答知识点进行匹配。
通过对所述在线教育问答数据的分析,第一问答知识预测网络计算出一个置信度分数。这个置信度分数表示第一问答知识预测网络预测该问答数据与特定预设问答知识点匹配的可能性有多大。接下来,根据计算得到的置信度,将决定如何输出第二问答知识匹配信息。
如果置信度不小于设定的阈值(设定置信度),说明第一问答知识预测网络认为所述在线教育问答数据与某个预设问答知识点高度相关。因此,系统将第二问答知识匹配信息设置为反映匹配结果,并可能进一步推荐相关的教育资源或内容给该学生。
另一方面,如果置信度小于设定的阈值,那么说明第一问答知识预测网络对问答数据与任何预设问答知识点的匹配不够有信心。在这种情况下,系统将第二问答知识匹配信息设置为反映不匹配结果,表明这次提问可能需要更深入的分析,或者提示学生提供更详细的信息以便进行准确匹配。
通过上述流程,第一问答知识预测网络能够自动化地评估在线教育问答数据,并准确地确定其与预设教育内容的相关性。这有助于在线教育平台为学生提供更精准、个性化的学习支持,优化教学资源的分配和利用。
在一种可能的实施方式中,步骤S130可以包括:
步骤S1301,对所述在线教育问答数据进行划分,生成多个目标问答主题。
步骤S1302,对各个所述目标问答主题进行问答上下文单元拆分,生成所述目标问答主题对应的第二问答上下文单元,并确定所述第二问答上下文单元中各个问答行对应的第二语义理解向量序列。
步骤S1303,基于所述第二问答上下文单元中各个问答行对应的第二语义理解向量序列,依据所述问答节点处理网络对所述在线教育问答数据进行问答节点特征提取,生成目标问答节点特征,以及依据问答节点处理网络对所述在线教育问答数据进行节点路径特征提取,生成所述目标问答节点特征之间的目标节点路径特征。
例如,问答节点处理网络首先接收整批在线教育问答数据。这些在线教育问答数据可能包含各种各样的问题和答案。问答节点处理网络的第一步是通过文本分析技术(如主题建模)来识别这些问答数据中的核心主题。
对于每个目标问答主题,问答节点处理网络进一步将其中的问答内容拆分成更小的段落或句子,这些更小的部分被称为第二问答上下文单元。对于每个第二问答上下文单元,使用自然语言处理工具将文本转换成机器可解读的数值形式——即第二语义理解向量序列。这些第二语义理解向量序列代表了原始在线教育问答数据中的语义信息,并为后续的特征提取打下基础。
依赖于前面得到的第二语义理解向量序列,问答节点处理网络现在开始执行两个关键任务:问答节点特征提取和节点路径特征提取。
首先,分析每个第二问答上下文单元的第二语义理解向量序列,提取出能够代表该第二问答上下文单元核心内容的特征,这些特征是目标问答节点特征,它们凝练了每个问答上下文单元的主要信息。
除了单独的问答节点特征外,还需要确定不同目标问答节点特征之间的关系,也就是节点路径特征。这包括理解不同算法概念之间的从属、对比或逻辑顺序关系。
完成上述步骤后,问答节点处理网络能够从原始的问答数据中抽象出有结构的知识框架,使在线教育平台能够更好地组织和展示教学内容,同时为学习者提供清晰的知识导航。
在一种可能的实施方式中,所述问答知识预测网络的训练步骤,包括:
步骤S101,获取样例学习数据序列。所述样例学习数据序列中包括多个训练轮次的模板在线教育问答数据和各个所述模板在线教育问答数据对应的训练标注数据,所述训练标注数据用于反映所述模板在线教育问答数据匹配第一问答知识点或者所述模板在线教育问答数据不匹配第一问答知识点的标注数据。
步骤S102,将所述模板在线教育问答数据加载至初始化的问答知识预测网络中,依据所述初始化的问答知识预测网络对所述模板在线教育问答数据进行问答知识匹配,生成第四问答知识匹配信息,所述第四问答知识匹配信息用于反映所述问答知识预测网络对所述模板在线教育问答数据匹配第一问答知识点或者所述模板在线教育问答数据不匹配第一问答知识点的匹配结果。
步骤S103,基于所述训练标注数据和所述第四问答知识匹配信息,确定第一网络误差参数。
步骤S104,基于所述第一网络误差参数,对所述初始化的问答知识预测网络进行训练,生成完成训练的问答知识预测网络。
例如,在问答知识预测网络的训练过程中,首先需要收集一系列样例学习数据。这些样例学习数据包括多轮次的模板在线教育问答数据以及与之对应的训练标注数据。训练标注数据指示每个模板在线教育问答数据是否匹配特定的第一问答知识点。
将模板在线教育问答数据加载到已初始化的问答知识预测网络中。该网络会对加载的数据进行初步的问答知识匹配操作,产生第四问答知识匹配信息。这些信息体现了问答知识预测网络在初始状态下对模板在线教育问答数据是否匹配第一问答知识点的预测结果。
接下来,比较第四问答知识匹配信息与相应的训练标注数据,从而确定第一网络误差参数。这些第一网络误差参数表征了问答知识预测网络当前性能与期望输出之间的差距。
示例性的,在机器学习和深度学习领域,网络误差参数通常通过比较网络的输出与真实标签(训练标注数据)来计算。误差函数(也称为损失函数或代价函数)衡量了网络预测值与实际值之间的差异。根据上述例子,可以使用一个标准的误差函数来确定第一网络误差参数。
假设第一问答知识预测网络是一个分类网络,它的任务是对问答知识进行匹配,并预测第四问答知识匹配信息。一个常用的误差函数是交叉熵损失函数(Cross-EntropyLoss),用于多分类问题。交叉熵损失函数的具体计算公式如下:
\[ L(y, \hat{y}) = -\sum_{i=1}^{C} y_i \log(\hat{y}_i) \]
其中:
\( L \) 是损失函数。
\( y \) 是真实标签的独热编码向量(One-Hot Encoding),如果模板在线教育问答数据属于第 \( i \) 类,则 \( y_i \) 为1,其余为0。
\( \hat{y} \) 是网络预测的输出向量,表示为每个类别的预测概率。
\( C \) 是类别的总数。
\( \log \) 是自然对数。
如果在二分类问题中(例如,只判断“匹配”和“不匹配”两种状态),一个简化版的交叉熵损失函数可以如下:
\[ L(y, \hat{y}) = -(y \log(\hat{y}) + (1 y) \log(1 \hat{y})) \]
其中:
\( y \) 在这里是一个二元值,即0或1。
\( \hat{y} \) 是预测模板在线教育问答数据为正类(匹配)的概率。
这个损失函数会在所有训练模板在线教育问答数据上计算损失,然后通常取平均值得到最终的误差参数:
\[ J = \frac{1}{N} \sum_{n=1}^{N} L(y^{(n)}, \hat{y}^{(n)}) \]
\( J \) 是整个样例学习数据序列上的平均损失。
\( N \) 是样例学习数据序列中模板在线教育问答数据的数量。
\( y^{(n)} \) 和 \( \hat{y}^{(n)} \) 分别是第 \( n \) 个模板在线教育问答数据的真实标签和网络预测。
使用第一网络误差参数来调整和优化问答知识预测网络的参数,使其预测结果更接近训练标注数据。通过这个训练过程,问答知识预测网络的性能得以提升,最终得到一个经过训练完成的问答知识预测网络。
其中,在步骤S101之后,从所述模板在线教育问答数据确定多个第三在线教育问答数据。所述第三在线教育问答数据对应的所述训练标注数据反映所述第三在线教育问答数据匹配第一问答知识点。对所述第三在线教育问答数据进行数据增强。
其中,在获得样例学习数据序列后,可以从模板在线教育问答数据中识别出多个第三在线教育问答数据。这些第三在线教育问答数据的训练标注数据也同样反映它们是否匹配第一问答知识点。然后,对这些第三在线教育问答数据执行数据增强操作,例如通过同义替换、重组句子结构等手段增加数据多样性,以改善问答知识预测网络在处理不同类型的问答数据时的泛化能力。
总结以上步骤,问答知识预测网络通过这个训练流程,学习如何准确地识别和匹配相关的问答知识点,从而为未来的实际应用做好准备。
图2示意性地示出了可被用于实现本申请中所述的各个实施例的应用于智能化在线教育系统的信息推送系统100。
对于一个实施例,图2示出了应用于智能化在线教育系统的信息推送系统100,该应用于智能化在线教育系统的信息推送系统100具有至少一个处理器102、被耦合到(至少一个)处理器102中的至少一个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVY)/存储设备108、被耦合到控制模块104的至少一个输入/输出设备110,和被耦合到控制模块104的网络接口112。
处理器102可包括至少一个单核或多核处理器,处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。一种可替代的实施方式中,应用于智能化在线教育系统的信息推送系统100能够作为本申请实施例中所述网关等服务器设备。
图2示意性地示出了可被用于实现本申请中所述的各个实施例的应用于智能化在线教育系统的信息推送系统100。
对于一个实施例,图2示出了应用于智能化在线教育系统的信息推送系统100,该应用于智能化在线教育系统的信息推送系统100具有至少一个处理器102、被耦合到(至少一个)处理器102中的至少一个的控制模块(芯片组)104、被耦合到控制模块104的存储器106、被耦合到控制模块104的非易失性存储器(NVM)/存储设备108、被耦合到控制模块104的至少一个输入/输出设备110,和被耦合到控制模块104的网络接口112。
处理器102可包括至少一个单核或多核处理器,处理器102可包括通用处理器或专用处理器(例如图形处理器、应用处理器、基频处理器等)的任意组合。一种可替代的实施方式中,应用于智能化在线教育系统的信息推送系统100能够作为本申请实施例中所述网关等服务器设备。
一种可替代的实施方式中,应用于智能化在线教育系统的信息推送系统100可包括具有指令114的至少一个计算机可读介质(例如,存储器106或NVM/存储设备108)和与该至少一个计算机可读介质相汇聚被配置为执行指令114以实现模块从而执行本公开中所述的动作的至少一个处理器102。
对于一个实施例,控制模块104可包括任意适当的接口控制器,以向(至少一个)处理器102中的至少一个和/或与控制模块104通信的任意适当的设备或组件提供任意适当的接口。
控制模块104可包括存储器控制器模块,以向存储器106提供接口。存储器控制器模块可以是硬件模块、软件模块和/或固件模块。
存储器106可被用于例如为应用于智能化在线教育系统的信息推送系统100加载和存储数据和/或指令114。对于一个实施例,存储器106可包括任意适当的易失性存储器,例如,适当的DRAM。一种可替代的实施方式中,存储器106可包括双倍数据速率类型四同步动态随机存取存储器(DDR4SDRAM)。
对于一个实施例,控制模块104可包括至少一个输入/输出控制器,以向NVM/存储设备108及(至少一个)输入/输出设备110提供接口。
例如,NVM/存储设备108可被用于存储数据和/或指令114。NVM/存储设备108可包括任意适当的非易失性存储器(例如,闪存)和/或可包括任意适当的(至少一个)非易失性存储设备(例如,至少一个硬盘驱动器(HDD)、至少一个光盘(CD)驱动器和/或至少一个数字通用光盘(DVD)驱动器)。
NVM/存储设备108可包括在物理上作为应用于智能化在线教育系统的信息推送系统100被安装在其上的设备的一部分的存储资源,或者其可被该设备访问可不必作为该设备的一部分。例如,NVM/存储设备108可依据网络经由(至少一个)输入/输出设备110进行访问。
(至少一个)输入/输出设备110可为应用于智能化在线教育系统的信息推送系统100提供接口以与任意其它适当的设备通信,输入/输出设备110可以包括通信组件、拼音组件、在线监控组件组件等。网络接口112可为应用于智能化在线教育系统的信息推送系统100提供接口以依据至少一个网络通信,应用于智能化在线教育系统的信息推送系统100可依据至少一个无线网络标准和/或协议中的任意标准和/或协议来与无线网络的至少一个组件进行无线通信,例如接入依据通信标准的无线网络,或它们的组合进行无线通信。
对于一个实施例,(至少一个)处理器102中的至少一个可与控制模块104的至少一个控制器(例如,存储器控制器模块)的逻辑加载在一起。对于一个实施例,(至少一个)处理器102中的至少一个可与控制模块104的至少一个控制器的逻辑加载在一起以形成系统级加载。对于一个实施例,(至少一个)处理器102中的至少一个可与控制模块104的至少一个控制器的逻辑集成在同一模具上。对于一个实施例,(至少一个)处理器102中的至少一个可与控制模块104的至少一个控制器的逻辑集成在同一模具上以形成片上系统(SoC)。
在各个实施例中,应用于智能化在线教育系统的信息推送系统100可以但不限于是:服务器、台式计算设备或移动计算设备(例如,膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。在各个实施例中,应用于智能化在线教育系统的信息推送系统100可具有更多或更少的组件和/或不同的架构。例如,一种可替代的实施方式中,应用于智能化在线教育系统的信息推送系统100包括至少一个摄像机、键盘、液晶显示器(LCD)屏幕(包括触屏显示器)、非易失性存储器端口、多个天线、图形芯片、专用集成电路(ASIC)和扬声器。
以上对本申请实施例进行了详细介绍,本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (9)
1.一种应用于智能化在线教育系统的信息推送方法,其特征在于,所述方法包括:
获取智能化在线教育系统监控到的在线教育问答数据;
依据问答知识预测网络对所述在线教育问答数据进行问答知识匹配,生成第一问答知识匹配信息,所述第一问答知识匹配信息用于反映所述问答知识预测网络对所述在线教育问答数据匹配预设问答知识点或者所述在线教育问答数据不匹配预设问答知识点的匹配结果;
如果所述第一问答知识匹配信息反映所述在线教育问答数据匹配所述预设问答知识点,依据问答节点处理网络对所述在线教育问答数据进行问答节点特征提取,生成目标问答节点特征,以及依据问答节点处理网络对所述在线教育问答数据进行节点路径特征提取,生成所述目标问答节点特征之间的目标节点路径特征;
如果所述目标问答节点特征匹配所述预设问答知识点,且所述目标节点路径特征满足设定路径特征,确定所述在线教育问答数据为关键教育问答数据;
对所述关键教育问答数据进行分析,识别出对应的目标用户匹配所述预设问答知识点的关注点信息,并根据所述关注点信息将相关的教育问答内容推送给所述目标用户的教育学习终端;
所述问答知识预测网络包括第一问答知识预测网络和第二问答知识预测网络;所述依据问答知识预测网络对所述在线教育问答数据进行问答知识匹配,生成第一问答知识匹配信息,包括:
将所述在线教育问答数据加载至所述第一问答知识预测网络和所述第二问答知识预测网络中;
依据所述第一问答知识预测网络对所述在线教育问答数据进行问答知识匹配,生成第二问答知识匹配信息;所述第二问答知识匹配信息用于反映所述第一问答知识预测网络对所述在线教育问答数据匹配预设问答知识点或者所述在线教育问答数据不匹配预设问答知识点的匹配结果;
依据所述第二问答知识预测网络对所述在线教育问答数据进行问答知识匹配,生成第三问答知识匹配信息;所述第三问答知识匹配信息用于反映所述第二问答知识预测网络对所述在线教育问答数据匹配预设问答知识点或者所述在线教育问答数据不匹配预设问答知识点的匹配结果;
如果所述第二问答知识匹配信息反映所述在线教育问答数据匹配预设问答知识点且所述第三问答知识匹配信息反映所述在线教育问答数据匹配预设问答知识点,将所述第一问答知识匹配信息输出为反映所述在线教育问答数据匹配预设问答知识点的匹配结果;
或者如果所述第二问答知识匹配信息反映所述在线教育问答数据不匹配预设问答知识点,或者所述第三问答知识匹配信息反映所述在线教育问答数据不匹配预设问答知识点,将所述第一问答知识匹配信息输出为反映所述在线教育问答数据不匹配预设问答知识点的匹配结果。
2.根据权利要求1所述的应用于智能化在线教育系统的信息推送方法,其特征在于,所述获取智能化在线教育系统监控到的在线教育问答数据的步骤之后,所述方法还包括:
检测先验在线教育问答数据和所述在线教育问答数据之间的语义关联参数,所述先验在线教育问答数据为除所述在线教育问答数据以外的其它在线教育问答数据;
如果所述先验在线教育问答数据和所述在线教育问答数据之间的语义关联参数不小于预设的设定参数值,分析所述先验在线教育问答数据是否为已完成分析的在线教育问答数据;
如果所述先验在线教育问答数据为已完成分析的在线教育问答数据,继续轮询监控下一个在线教育问答数据;或者,如果所述先验在线教育问答数据为未完成分析的在线教育问答数据,剔除所述先验在线教育问答数据;
或者,分析所述在线教育问答数据中是否具有设定的有效问答语义特征,如果所述在线教育问答数据不具有所述有效问答语义特征,确定所述在线教育问答数据为噪声数据。
3.根据权利要求1所述的应用于智能化在线教育系统的信息推送方法,其特征在于,所述将所述在线教育问答数据加载至所述第一问答知识预测网络和所述第二问答知识预测网络中,包括:
从所述在线教育问答数据的问答初始行提取第一问答计量跨度的目标问答数据,生成第一在线教育问答数据;
从所述在线教育问答数据的问答初始行提取第二问答计量跨度的目标问答数据,生成第二在线教育问答数据;
将所述第一在线教育问答数据加载至所述第一问答知识预测网络中,以及将所述第二在线教育问答数据加载至所述第二问答知识预测网络中;
其中,所述第一问答计量跨度小于第三问答计量跨度,所述第二问答计量跨度大于所述第三问答计量跨度;所述第三问答计量跨度为所述在线教育问答数据的全局问答计量跨度的一半。
4.根据权利要求1所述的应用于智能化在线教育系统的信息推送方法,其特征在于,所述依据所述第一问答知识预测网络对所述在线教育问答数据进行问答知识匹配,生成第二问答知识匹配信息,包括:
对所述在线教育问答数据进行问答上下文单元拆分,生成所述在线教育问答数据对应的第一问答上下文单元,并确定所述第一问答上下文单元中各个问答行对应的第一语义理解向量序列;
基于所述第一问答上下文单元中各个问答行对应的第一语义理解向量序列,依据所述第一问答知识预测网络进行问答知识匹配,生成第二问答知识匹配信息。
5.根据权利要求4所述的应用于智能化在线教育系统的信息推送方法,其特征在于,所述基于所述第一问答上下文单元中各个问答行对应的第一语义理解向量序列,依据所述第一问答知识预测网络进行问答知识匹配,生成第二问答知识匹配信息,包括:
基于所述第一问答上下文单元中各个问答行对应的第一语义理解向量序列,确定所述在线教育问答数据对应的语义特征数据;
基于所述语义特征数据,依据所述第一问答知识预测网络进行问答知识匹配,生成所述第二问答知识匹配信息。
6.根据权利要求4或者5所述的应用于智能化在线教育系统的信息推送方法,其特征在于,所述依据所述第一问答知识预测网络进行问答知识匹配,生成所述第二问答知识匹配信息,包括:
依据所述第一问答知识预测网络进行问答知识匹配,生成所述第一问答知识预测网络预测的置信度;所述置信度用于反映所述第一问答知识预测网络预测所述在线教育问答数据匹配预设问答知识点的可能性;
如果所述置信度不小于设定置信度,将所述第二问答知识匹配信息输出为反映所述在线教育问答数据匹配预设问答知识点的匹配结果;
或者,如果所述置信度小于所述设定置信度,将所述第二问答知识匹配信息输出为反映所述在线教育问答数据不匹配预设问答知识点的匹配结果。
7.根据权利要求1所述的应用于智能化在线教育系统的信息推送方法,其特征在于,所述依据问答节点处理网络对所述在线教育问答数据进行问答节点特征提取,生成目标问答节点特征,以及依据问答节点处理网络对所述在线教育问答数据进行节点路径特征提取,生成所述目标问答节点特征之间的目标节点路径特征,包括:
对所述在线教育问答数据进行划分,生成多个目标问答主题;
对各个所述目标问答主题进行问答上下文单元拆分,生成所述目标问答主题对应的第二问答上下文单元,并确定所述第二问答上下文单元中各个问答行对应的第二语义理解向量序列;
基于所述第二问答上下文单元中各个问答行对应的第二语义理解向量序列,依据所述问答节点处理网络对所述在线教育问答数据进行问答节点特征提取,生成目标问答节点特征,以及依据问答节点处理网络对所述在线教育问答数据进行节点路径特征提取,生成所述目标问答节点特征之间的目标节点路径特征。
8.根据权利要求1所述的应用于智能化在线教育系统的信息推送方法,其特征在于,所述问答知识预测网络的训练步骤,包括:
获取样例学习数据序列;所述样例学习数据序列中包括多个训练轮次的模板在线教育问答数据和各个所述模板在线教育问答数据对应的训练标注数据,所述训练标注数据用于反映所述模板在线教育问答数据匹配第一问答知识点或者所述模板在线教育问答数据不匹配第一问答知识点的标注数据;
将所述模板在线教育问答数据加载至初始化的问答知识预测网络中,依据所述初始化的问答知识预测网络对所述模板在线教育问答数据进行问答知识匹配,生成第四问答知识匹配信息,所述第四问答知识匹配信息用于反映所述问答知识预测网络对所述模板在线教育问答数据匹配第一问答知识点或者所述模板在线教育问答数据不匹配第一问答知识点的匹配结果;
基于所述训练标注数据和所述第四问答知识匹配信息,确定第一网络误差参数;
基于所述第一网络误差参数,对所述初始化的问答知识预测网络进行训练,生成完成训练的问答知识预测网络;
其中,在所述获取样例学习数据序列的步骤之后,从所述模板在线教育问答数据确定多个第三在线教育问答数据;所述第三在线教育问答数据对应的所述训练标注数据反映所述第三在线教育问答数据匹配第一问答知识点;对所述第三在线教育问答数据进行数据增强。
9.一种应用于智能化在线教育系统的信息推送系统,其特征在于,包括处理器以及计算机可读存储介质,所述计算机可读存储介质存储有机器可执行指令,所述机器可执行指令被处理器执行时实现权利要求1-8中任意一项所述的应用于智能化在线教育系统的信息推送方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410057997.8A CN117573985B (zh) | 2024-01-16 | 2024-01-16 | 一种应用于智能化在线教育系统的信息推送方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410057997.8A CN117573985B (zh) | 2024-01-16 | 2024-01-16 | 一种应用于智能化在线教育系统的信息推送方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117573985A CN117573985A (zh) | 2024-02-20 |
CN117573985B true CN117573985B (zh) | 2024-04-05 |
Family
ID=89895893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410057997.8A Active CN117573985B (zh) | 2024-01-16 | 2024-01-16 | 一种应用于智能化在线教育系统的信息推送方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117573985B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117993894A (zh) * | 2024-04-03 | 2024-05-07 | 四川航天职业技术学院(四川航天高级技工学校) | 基于人工智能的轨道交通运维状态数据处理方法及系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101587655A (zh) * | 2008-05-23 | 2009-11-25 | 北京智慧东方信息技术有限公司 | 一种网络教学答疑的系统 |
CN104809920A (zh) * | 2015-04-01 | 2015-07-29 | 广东小天才科技有限公司 | 一种个性化的学习方法和学习装置 |
CN104866557A (zh) * | 2015-05-18 | 2015-08-26 | 江南大学 | 一种基于建构学习理论的个性化即时学习支持系统与方法 |
CN107741978A (zh) * | 2017-10-13 | 2018-02-27 | 北京中教在线科技有限公司 | 一种个性化学习资源推送方法及其系统 |
CN108536852A (zh) * | 2018-04-16 | 2018-09-14 | 上海智臻智能网络科技股份有限公司 | 问答交互方法和装置、计算机设备及计算机可读存储介质 |
CN108763493A (zh) * | 2018-05-30 | 2018-11-06 | 深圳市思迪信息技术股份有限公司 | 一种基于深度学习的推荐方法 |
CN108846104A (zh) * | 2018-06-20 | 2018-11-20 | 北京师范大学 | 一种基于教育知识图谱的问答分析与处理方法及系统 |
CN109858797A (zh) * | 2019-01-25 | 2019-06-07 | 中山大学 | 基于知识网络精准在线教育系统的多维度信息学情分析方法 |
CN111324691A (zh) * | 2020-01-06 | 2020-06-23 | 大连民族大学 | 一种基于知识图谱的少数民族领域智能问答方法 |
US10727973B1 (en) * | 2019-04-19 | 2020-07-28 | Fujitsu Limited | Apparatus and method for self-learning and predictive DWDM network |
CN111898020A (zh) * | 2020-06-18 | 2020-11-06 | 济南浪潮高新科技投资发展有限公司 | 基于bert和lstm的知识学习体系推荐方法、设备及介质 |
CN114372155A (zh) * | 2022-01-11 | 2022-04-19 | 湖南科技职业学院 | 一种基于自扩展知识库和多模态画像的个性化学习平台 |
CN114429212A (zh) * | 2020-10-15 | 2022-05-03 | 北京融汇金信信息技术有限公司 | 智能学习知识能力跟踪方法、电子设备及存储介质 |
CN115393132A (zh) * | 2022-07-25 | 2022-11-25 | 哈尔滨工业大学 | 基于知识追踪模型的预测方法及相关设备 |
CN117056612A (zh) * | 2023-10-11 | 2023-11-14 | 广东信聚丰科技股份有限公司 | 基于ai辅助的备课资料数据推送方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106469169A (zh) * | 2015-08-19 | 2017-03-01 | 阿里巴巴集团控股有限公司 | 信息处理方法及装置 |
CN108763494B (zh) * | 2018-05-30 | 2020-02-21 | 苏州思必驰信息科技有限公司 | 对话系统间的知识分享方法、对话方法及装置 |
CN110704411B (zh) * | 2019-09-27 | 2022-12-09 | 京东方科技集团股份有限公司 | 适用于艺术领域的知识图谱搭建方法及装置、电子设备 |
US20230072297A1 (en) * | 2021-08-30 | 2023-03-09 | Accenture Global Solutions Limited | Knowledge graph based reasoning recommendation system and method |
-
2024
- 2024-01-16 CN CN202410057997.8A patent/CN117573985B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101587655A (zh) * | 2008-05-23 | 2009-11-25 | 北京智慧东方信息技术有限公司 | 一种网络教学答疑的系统 |
CN104809920A (zh) * | 2015-04-01 | 2015-07-29 | 广东小天才科技有限公司 | 一种个性化的学习方法和学习装置 |
CN104866557A (zh) * | 2015-05-18 | 2015-08-26 | 江南大学 | 一种基于建构学习理论的个性化即时学习支持系统与方法 |
CN107741978A (zh) * | 2017-10-13 | 2018-02-27 | 北京中教在线科技有限公司 | 一种个性化学习资源推送方法及其系统 |
CN108536852A (zh) * | 2018-04-16 | 2018-09-14 | 上海智臻智能网络科技股份有限公司 | 问答交互方法和装置、计算机设备及计算机可读存储介质 |
CN108763493A (zh) * | 2018-05-30 | 2018-11-06 | 深圳市思迪信息技术股份有限公司 | 一种基于深度学习的推荐方法 |
CN108846104A (zh) * | 2018-06-20 | 2018-11-20 | 北京师范大学 | 一种基于教育知识图谱的问答分析与处理方法及系统 |
CN109858797A (zh) * | 2019-01-25 | 2019-06-07 | 中山大学 | 基于知识网络精准在线教育系统的多维度信息学情分析方法 |
US10727973B1 (en) * | 2019-04-19 | 2020-07-28 | Fujitsu Limited | Apparatus and method for self-learning and predictive DWDM network |
CN111324691A (zh) * | 2020-01-06 | 2020-06-23 | 大连民族大学 | 一种基于知识图谱的少数民族领域智能问答方法 |
CN111898020A (zh) * | 2020-06-18 | 2020-11-06 | 济南浪潮高新科技投资发展有限公司 | 基于bert和lstm的知识学习体系推荐方法、设备及介质 |
CN114429212A (zh) * | 2020-10-15 | 2022-05-03 | 北京融汇金信信息技术有限公司 | 智能学习知识能力跟踪方法、电子设备及存储介质 |
CN114372155A (zh) * | 2022-01-11 | 2022-04-19 | 湖南科技职业学院 | 一种基于自扩展知识库和多模态画像的个性化学习平台 |
CN115393132A (zh) * | 2022-07-25 | 2022-11-25 | 哈尔滨工业大学 | 基于知识追踪模型的预测方法及相关设备 |
CN117056612A (zh) * | 2023-10-11 | 2023-11-14 | 广东信聚丰科技股份有限公司 | 基于ai辅助的备课资料数据推送方法及系统 |
Non-Patent Citations (5)
Title |
---|
"Smart Political Guiding Platform Combined with Computer Artificial Intelligence Performance Estimation Model";xinying dai;Xiudong Gao;《2022 4th International Conference on Smart Systems and Inventive Technology》;20220225;984-987页 * |
Bischoff,Sebastian."Feature Learning for Meta-paths in Knowledge Graphs".《https://arxiv.org/pdf/1809.03267.pdf》.2017,第2-35页. * |
Won-Kon Lee."A path-based relation networks model for knowledge graph completioh".2021,第128卷论文第1-9页. * |
基于深度学习的自然场景文本检测与识别综述;王建新;王子亚;田萱;;软件学报;20200515(05);229-260 * |
基于链路预测的个性化网络推荐系统研究;赵德伟;高江锦;徐正巧;;福建电脑;20170725(07);19+137 * |
Also Published As
Publication number | Publication date |
---|---|
CN117573985A (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11288444B2 (en) | Optimization techniques for artificial intelligence | |
CN110442718B (zh) | 语句处理方法、装置及服务器和存储介质 | |
CN109376222B (zh) | 问答匹配度计算方法、问答自动匹配方法及装置 | |
CN109815487B (zh) | 文本质检方法、电子装置、计算机设备及存储介质 | |
CN111428010B (zh) | 人机智能问答的方法和装置 | |
CN109783631B (zh) | 社区问答数据的校验方法、装置、计算机设备和存储介质 | |
US9536444B2 (en) | Evaluating expert opinions in a question and answer system | |
US20200193095A1 (en) | Method, apparatus, device and storage medium for evaluating quality of answer | |
US11756094B2 (en) | Method and device for evaluating comment quality, and computer readable storage medium | |
CN117573985B (zh) | 一种应用于智能化在线教育系统的信息推送方法及系统 | |
US11238050B2 (en) | Method and apparatus for determining response for user input data, and medium | |
CN111259647A (zh) | 基于人工智能的问答文本匹配方法、装置、介质及电子设备 | |
CN111563158B (zh) | 文本排序方法、排序装置、服务器和计算机可读存储介质 | |
CN113343091A (zh) | 面向产业和企业的科技服务推荐计算方法、介质及程序 | |
US11379527B2 (en) | Sibling search queries | |
CN110852071A (zh) | 知识点检测方法、装置、设备及可读存储介质 | |
CN113239697B (zh) | 实体识别模型训练方法、装置、计算机设备及存储介质 | |
CN110969005B (zh) | 一种确定实体语料之间的相似性的方法及装置 | |
CN113705207A (zh) | 语法错误识别方法及装置 | |
CN117077679A (zh) | 命名实体识别方法和装置 | |
CN112989001A (zh) | 一种问答处理方法、装置、介质及电子设备 | |
CN114662488A (zh) | 词向量生成方法和设备、计算设备及计算机可读存储介质 | |
CN116340481B (zh) | 自动回复提问的方法及装置、计算机可读存储介质、终端 | |
Huang et al. | Multi-view fusion for instruction mining of large language model | |
CN117807204A (zh) | 工程机械故障问题的问答诊断方法、装置、设备和介质 |
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 |