KR20180041200A - 정보 처리 방법 및 장치 - Google Patents
정보 처리 방법 및 장치 Download PDFInfo
- Publication number
- KR20180041200A KR20180041200A KR1020187007519A KR20187007519A KR20180041200A KR 20180041200 A KR20180041200 A KR 20180041200A KR 1020187007519 A KR1020187007519 A KR 1020187007519A KR 20187007519 A KR20187007519 A KR 20187007519A KR 20180041200 A KR20180041200 A KR 20180041200A
- Authority
- KR
- South Korea
- Prior art keywords
- question
- steps
- nodes
- questions
- node
- Prior art date
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 48
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 81
- 230000008569 process Effects 0.000 claims description 43
- 230000004044 response Effects 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012887 quadratic function Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000010845 search algorithm Methods 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
- G06F16/30—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
-
- G06F17/30964—
-
- 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
-
- 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
-
- 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
- G06F16/35—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
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- 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
-
- G06F17/30705—
-
- G06F17/30861—
-
- G06F17/30958—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/205—Parsing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
- G06F40/35—Discourse or dialogue representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/042—Backward inferencing
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)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Human Computer Interaction (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
정보 처리 방법 및 장치. 정보 처리 방법은 사용자에 의해 입력된 질문 생성 요청을 수신하는 단계(301) - 질문 생성 요청은 학습될 지식 포인트들을 포함함 -; 엑서사이즈 질문 지식 맵으로부터, 학습될 지식 포인트들을 나타내는 타겟 노드들을 포함하는 노드 경로를 획득하는 단계(302) - 엑서사이즈 질문 지식 맵 내 노드들은 기존 엑서사이즈 질문들의 질문 해결 단계들, 질문 해결 단계들에 의해 체크될 지식 포인트들 및 질문 해결 단계들에 대응하는 질문 유형들을 나타냄 -; 및 노드 경로 내 각자의 노드들에 의해 표시된 질문 해결 단계들, 질문 해결 단계들에 의해 체크된 지식 포인트들 및 질문 해결 단계들에 대응하는 질문 유형들에 따라 사용자에 의해 요구된 엑서사이즈 질문들을 생성하는 단계(303)를 포함한다. 방법 및 그 대응하는 장치는 새로운 엑서사이즈 질문들을 생성할 수 있고 엑서사이즈 질문 수집물의 확장을 용이하게 한다.
Description
관련 출원의 상호 참조
본 개시내용은 2015년 8월 19일자로 출원된 "INFORMATION PROCESSING METHOD AND DEVICE"라는 명칭의 중국 특허 출원 번호 201510509563.8 및 2016년 8월 10일자로 출원된 "INFORMATION PROCESSING METHOD AND DEVICE"라는 명칭의 PCT 출원 번호 PCT/CN16/94324의 우선권을 주장하며, 이들 두 출원은 본 개시내용에서 그 전체가 참조로 인용된다.
기술분야
개시된 실시예는 인터넷 기술 분야에 관한 것으로, 특히 전자 질문 은행 처리 방법 및 장치에 관한 것이다.
인터넷 기술들의 발달로 학생들에게 질문을 제공하는 데 중점을 둔 다수의 웹사이트가 생겨났다. 이러한 사이트들의 예로는 "Students exercise network", "Yuantiku", 및 "51zuoti"가 있다. 이와 같은 웹사이트들의 존재는 웹사이트들의 질문 은행들에 있는 질문들에 크게 의존한다. 현재 이러한 질문들에 관한 세 가지 주요 기술: 첫째, 질문들의 분류 및 제시; 둘째, 질문들의 검색 및 추천; 및 셋째, 질문들의 수정 및 피드백이 존재한다. 이러한 기술들은 모두 질문 은행들에 있는 기존 질문들을 처리하는 것과 관련이 있으며 기술들 중 어떤 기술도 새로운 질문들을 생성하는 것을 다루지 않는다. 그러나 질문 은행들은 지속적으로 증진되어야 한다. 따라서 질문 은행들을 확장하는 데는 새로운 질문들을 생성할 수 있는 방법이 필요하다.
개시된 실시예의 많은 양태는 새로운 질문들을 생성하여 질문 은행의 수집물을 증진시키기 위해 사용되는 정보 처리 방법 및 장치를 제공한다.
개시된 실시예들의 일 양태는 사용자에 의해 입력된 질문들을 생성하기 위한 요청을 수신하는 단계 - 질문들을 생성하기 위한 요청은 학습될 지식 포인트(to-be-learned knowledge point)를 포함함 -; 질문들에 대한 지식 그래프(knowledge graph)로부터, 학습될 지식 포인트를 나타내는 타겟 노드를 포함하는 노드 경로를 획득하는 단계 - 질문들에 대한 지식 그래프 내 노드들은 기존 질문들의 질문-응답 단계들(question-answering steps), 질문-응답 단계들에서 테스트된 지식 포인트들 및 질문-응답 단계들에 대응하는 질문 스타일들(questioning styles)을 나타냄 -; 및 노드 경로 상의 노드들에 의해 표시된 질문-응답 단계들, 질문-응답 단계들에서 테스트된 지식 포인트들 및 질문-응답 단계들에 대응하는 질문 스타일들에 따라 사용자에 의해 요구된 질문들을 생성하는 단계를 포함하는 정보 처리 방법을 제공한다.
개시된 실시예의 다른 양태는 기존 질문들의 질문-응답 단계들을 노드들로 파싱(parsing)하는 단계 - 노드들은 질문-응답 단계들, 질문-응답 단계들에서 테스트된 지식 포인트들 및 질문-응답 단계들에 대응하는 질문 스타일들을 나타냄 -; 및 노드들 간의 연결 관계들을 마킹하여 질문들에 대한 지식 그래프를 생성하는 단계를 포함하는 정보 처리 방법을 제공한다.
개시된 실시예의 또 다른 양태는 사용자에 의해 입력된 질문들을 생성하기 위한 요청을 수신하도록 구성된 수신 모듈 - 질문들을 생성하기 위한 요청은 학습될 지식 포인트를 포함함 -; 질문들에 대한 지식 그래프로부터, 학습될 지식 포인트를 표시하는 타겟 노드를 포함하는 노드 경로를 획득하도록 구성된 획득 모듈 - 질문들에 대한 지식 그래프 내 노드들은 기존 질문들의 질문-응답 단계들, 상기 질문-응답 단계들에서 테스트된 지식 포인트들 및 상기 질문-응답 단계들에 대응하는 질문 스타일들을 나타냄 -; 및 노드 경로 상의 노드들에 의해 표시된 질문-응답 단계들, 질문-응답 단계들에서 테스트된 지식 포인트들 및 질문-응답 단계들에 대응하는 질문 스타일들에 따라 상기 사용자에 의해 요구된 질문들을 생성하도록 구성된 생성 모듈을 포함하는 정보 처리 장치를 제공한다.
개시된 실시예의 또 다른 양태는 기존 질문들의 질문-응답 단계들을 노드들로 파싱하도록 구성된 파싱 모듈 - 노드들은 상기 질문-응답 단계들, 질문-응답 단계들에서 테스트된 지식 포인트들 및 질문-응답 단계들에 대응하는 질문 스타일들을 나타냄 -; 및 노드들 간의 연결 관계들을 마킹하여 질문들에 대한 지식 그래프를 생성하도록 구성된 마킹 모듈을 포함하는 정보 처리 장치를 제공한다.
개시된 실시예들에서, 기존 질문들의 질문-응답 단계들은 사전에 노드들로 파싱되고 - 노드들은 질문-응답 단계들, 질문-응답 단계들에서 테스트된 지식 포인트들 및 질문-응답 단계들에 대응하는 질문 스타일들을 나타냄 -; 그 다음 노드들간의 연결 관계들에 따라 질문에 대한 지식 그래프가 형성되고; 사용자에 의해 입력된 질문들을 생성하기 위한 요청이 수신될 때, 질문들을 생성하기 위한 요청에 포함된 학습될 지식 포인트를 나타내는 타겟 노드를 포함하는 노드 경로가 학습될 지식 포인트에 따라 질문들에 대한 지식 그래프로부터 획득될 수 있으며; 그 다음 사용자에 의해 요구된 질문들은 노드 경로 상의 노드들에 의해 표시된 질문-응답 단계들, 질문-응답 단계들에서 테스트된 지식 포인트들 및 질문-응답 단계들에 대응하는 질문 스타일들에 따라 형성된다. 개시된 실시예들은 질문 생성의 문제를 해결하고 또한 질문 은행의 수집물의 확장 및 증진을 용이하게 한다.
개시된 실시예들에서의 기술적 해결책들을 보다 명료하게 설명하기 위해, 실시예들 또는 종래 기술을 설명하는데 사용될 필요가 있는 도면들이 이하에서 간략히 소개될 것이다. 아래에 기술되는 도면들은 단지 일부 실시예들에 불과하며, 본 기술 분야에서 통상의 지식을 가진 자라면 창의적인 노력을 기울이지 않고도 이들 도면에 따라 다른 도면들을 얻을 수도 있음이 명백하다.
도 1은 본 개시내용의 일부 실시예들에 따른 정보 처리 방법의 흐름도이다.
도 2는 본 개시내용의 일부 실시예들에 따른 정보 처리 방법의 흐름도이다.
도 3은 본 개시내용의 일부 실시예들에 따른 정보 처리 방법의 흐름도이다.
도 4는 본 개시내용의 일부 실시예들에 따른 정보 처리 장치의 블록도이다.
도 5는 본 개시내용의 일부 실시예들에 따른 정보 처리 장치의 블록도이다.
도 6은 본 개시내용의 일부 실시예들에 따른 정보 처리 장치의 블록도이다.
도 1은 본 개시내용의 일부 실시예들에 따른 정보 처리 방법의 흐름도이다.
도 2는 본 개시내용의 일부 실시예들에 따른 정보 처리 방법의 흐름도이다.
도 3은 본 개시내용의 일부 실시예들에 따른 정보 처리 방법의 흐름도이다.
도 4는 본 개시내용의 일부 실시예들에 따른 정보 처리 장치의 블록도이다.
도 5는 본 개시내용의 일부 실시예들에 따른 정보 처리 장치의 블록도이다.
도 6은 본 개시내용의 일부 실시예들에 따른 정보 처리 장치의 블록도이다.
개시된 실시예들의 목적들, 기술적 해결책들 및 장점들을 더 명확하게 하기 위해, 본 개시내용의 실시예들에서의 기술적 해결책들은 개시된 실시예들의 도면들을 참조하여 아래에서 명확하고 충분하게 설명될 것이다. 명백하게, 기술된 실시예들은 모든 실시예들이라기보다는 본 개시내용의 실시예들의 일부이다. 본 개시내용의 실시예들에 기초하여, 본 기술 분야에서 통상의 지식을 가진 자가 창의적인 노력을 기울이지 않고 취득한 모든 다른 실시예들은 본 개시내용의 보호 범위 내에 든다.
종래 기술이 직면한 질문 생성이라는 문제를 고려하여, 개시된 실시예들은: 대량의 기존 질문들의 문제 해결 프로세스에 기초하여 질문들에 대한 지식 그래프를 생성하고 - 질문들에 대한 지식 그래프 내 노드들은 기존 질문들의 질문-응답 단계들, 질문-응답 단계들에서 테스트된 지식 포인트들, 질문-응답 단계들에 대응하는 질문 스타일들을 나타냄 -; 사용자가 질문들을 생성하기 위한 요청을 입력할 때, 질문들에 대한 지식 그래프로부터, 질문들을 생성하기 위한 요청을 충족하는 노드 경로를 획득하고, 및 노드 경로 상의 노드들에 의해 표시된 질문-응답 단계들, 질문-응답 단계들에서 테스트된 지식 포인트들 및 질문-응답 단계들에 대응하는 질문 스타일들에 따라 사용자에 의해 요구된 질문들을 생성하는 특정 원리를 해결책에 제공한다. 위의 행에서, 질문 생성의 문제는 질문들에 대한 지식 그래프에 기초하여 해결되고; 사용자의 요구를 충족하는 질문들이 빠르고 편리하게 생성될 수 있으며; 질문 은행들의 수집물의 확장 및 증진이 용이해진다.
다음의 실시예들은 질문들에 대한 지식 그래프를 생성하는 프로세스 및 질문들에 대한 지식 그래프에 기초하여 질문들을 생성하는 프로세스를 각각 설명할 것이다. 질문 생성 프로세스는 질문들에 대한 지식 그래프에 기초되어야 하기 때문에, 다음의 실시예들에서는 질문들에 대한 지식 그래프를 생성하는 프로세스를 먼저 설명할 것이다.
도 1은 본 개시내용의 일부 실시예들에 따른 정보 처리 방법의 흐름도이다. 도 1에 도시된 바와 같이, 방법은 다음과 같은 단계들을 포함한다.
단계(101): 기존 질문들의 질문-응답 단계들을 노드들로 파싱하며, 노드들은 질문-응답 단계들, 질문-응답 단계들에서 테스트된 지식 포인트들 및 질문-응답 단계들에 대응하는 질문 스타일들을 나타낸다.
단계(103): 노드들 간의 연결 관계를 표시하여 질문들에 대한 지식 그래프를 생성한다.
기존 질문들이란 질문 은행에 존재하는 질문들과 같이 현재의 시스템에서 이미 존재하는 질문들을 지칭한다. 기존 질문들의 수가 많을수록 질문들에 대해 생성된 지식 그래프는 더 많은 정보를 가지며, 지식 그래프는 후속 질문 생성 프로세스에 더 많이 기여한다.
본 실시예에서, 기존 질문들의 각각의 질문은 동일한 처리를 받는데, 구체적으로: 기존 질문들의 질문-응답 단계들을 노드들로 파싱하는 처리를 받으며, 노드들은 질문-응답 단계들, 질문-응답 단계에서 테스트된 지식 포인트들 및 질문-응답 단계들에 대응하는 질문 스타일들을 나타낸다. 하나의 질문은 일반적으로 다수의 질문-응답 단계들을 포함하며, 각 질문-응답 단계들은 하나의 노드로 파싱된다.
각 질문-응답 단계는 일반적으로 입력, 출력 및 프로세스로 형성된다. 질문은 그 목적 또는 타겟을 가지며, 즉 테스트될 지식 포인트들을 가지며, 이들 지식 포인트들은 일반적으로 질문-응답 단계들에서 구체화된다. 즉, 질문-응답 단계는 일반적으로 테스트될 지식 포인트를 갖는다. 또한, 질문-응답 단계는 또한 하나의 질문 스타일에 해당한다. 질문 스타일은 질문-응답 단계에 대해 질문이 어떻게 제시되는지를 지칭한다. 즉, 질문이 어떻게 제시되는지는 질문-응답 단계를 결정한다. 질문들의 필드에는 지식 포인트를 테스트하는 것 이외에 질문들의 난이도들에 대한 특정 요건이 있으며 질문들의 난이도들은 질문-응답 단계들에서도 또한 구체화될 수 있다. 즉, 질문-응답 단계는 일반적으로 테스트될 지식 포인트 및 해당하는 질문 스타일 이외에 응답 난이도를 또한 갖는다.
질문-응답 단계의 입력, 출력, 프로세스, 테스트된 지식 포인트, 해당하는 질문 스타일 및 난이도와 같은 모든 정보는 알고 있거나 통계적으로 사전에 구할 수 있다는 점에 유의하여야 한다.
예를 들어, 질문이 구체적으로 다음과 같다고 가정한다: 함수 가 주어지고, x ∈R이고, R이 실수이면, f(x)의 최소의 양(positive)의 주기를 구하라. 이 질문의 질문-응답 단계들 및 질문-응답 단계들에서 테스트된 지식 포인트들, 해당하는 질문 스타일들 또는 난이도 계수들은 다음과 같다.
전술한 질문-응답 단계들에서, 등호의 좌측 부분들은 질문-응답 단계들의 입력들이다. 등호의 우측 부분들은 질문-응답 단계들의 출력들이다. 질문-응답 단계들의 전체 수학식들은 질문-응답 단계들의 프로세스들을 나타낸다. 괄호 안의 내용들은 질문-응답 단계들에서 테스트된 지식 포인트들이다. 마지막으로, 괄호 안의 정확도들은 질문-응답 단계들의 난이도들을 나타낸다. 예를 들면, 전술한 질문-응답 단계 1에서, 은 질문-응답 단계 1의 입력이고; 은 질문-응답 단계 1의 출력이고; 수학식 은 질문-응답 단계 1의 프로세스이고; 0.95의 정확도는 질문-응답 단계 1의 난이도이며; 이차 함수 코사인은 질문-응답 단계 1에서 테스트된 지식 포인트이다.
본 실시예에서, 정확도는 질문-응답 단계의 난이도를 나타내는데 사용되지만, 이것으로 제한되지 않고 다른 지표도 사용될 수 있다. 일반적으로 정확도가 단계를 성공적으로 완료하는 사용자 수와 단계를 완료하는데 참여하는 총 사용자 수의 비율을 나타내는 것이면, 정확도가 높을수록 질문-응답 단계의 난이도가 낮다는 것을 나타낸다. 또한 동일한 질문-응답 단계에 대해, 질문 스타일이 상이하면 질문-응답 단계의 난이도는 상이한 결과를 가져온다. 모호한 질문 스타일은 일반적으로 질문-응답 단계의 난이도를 증가시킨다. 예를 들어, 질문-응답 단계 1에서 를 푸는 질문 스타일은 매우 분명하며; 문제는 "반시계 방향으로 180도 회전한 후 각도 x의 코사인"이라고도 표현될 수 있는데, 이것이 어려움을 증가시켰다.
위의 분석에 기초하여, 기존 질문들의 질문-응답 단계들을 노드들로 파싱하는 구현예에서, 질문-응답 단계들의 입력들, 질문-응답 단계들의 출력들, 질문-응답 단계들의 프로세스들, 질문-응답 단계들에서 테스트된 지식 포인트들 및 질문-응답 단계들에 대응하는 질문 스타일들은 각기 노드들의 입력 속성들, 출력 속성들, 프로세스 속성들, 지식 포인트 속성들 및 질문 스타일 속성들로 파싱될 수 있다.
또한, 질문-응답 단계가 난이도 정보를 추가로 포함하면, 질문-응답 단계들의 난이도들은 노드들의 난이도 속성들로 추가로 파싱되어야 한다.
상기한 바를 고려하여, 질문들에 대한 지식 그래프 내 노드들은 입력들, 프로세스들, 출력들, 질문 스타일들, 난이도들 및 지식 포인트들과 같은 속성들을 포함한다. 전술한 질문-응답 단계 1을 예로 들면, 질문-응답 단계에 대응하는 노드는 다음과 같은 내용들을 포함한다:
난이도: 0.95
지식 포인트: 이차 함수 코사인
모든 질문들의 질문-응답 단계들이 노드들로 파싱된 후, 노드들 간의 연결 관계들이 마킹되어 질문들에 대한 지식 그래프를 생성할 수 있다. 노드들 간을 마킹하는 연결 관계들은 실제로 연결 가능한 노드들을 연결하여 지식 그래프 구조를 형성하는 것을 말한다.
예를 들어, 노드들 간의 연결 관계들을 마킹하는 방식은 다음과 같다: 임의의 두 개의 노드들의 경우, 두 노드 중 제1 노드에 의해 표시된 질문-응답 단계의 출력이 두 노드 중 제2 노드에 의해 표시된 질문-응답 단계의 입력과 동일한지를 결정하고; 결정 결과가 긍정이면, 제1 노드와 제2 노드가 연결된 것으로 마킹된다. 결정 결과가 부정이면, 제1 노드와 제2 노드가 연결되지 않은 것으로 마킹된다. 질문들에 대한 지식 그래프는 모든 노드들 간의 연결 관계들이 마킹된 이후에 생성될 수 있다. 예를 들어, 데이터 수학식에서, 두 개의 노드들이 연결되었는지 여부는 다음과 같은 방식으로 표현될 수 있다: 노드 번호: x, 노드 번호: y, 연결됨 또는 연결되지 않음: 1 또는 0. "연결됨" 또는 "연결되지 않음" 필드의 값이 1이면, 이것은 노드 x 와 노드 y가 연결되어 있음을 의미하며; "연결됨" 또는 "연결되지 않음" 필드의 값이 0이면, 이것은 노드 x 및 노드 y가 연결되어 있지 않음을 의미한다.
동일한 질문에 대해 질문-응답 단계는 이미 명확한 연결 관계들을 갖는다는 것을 주목하여야 한다. 즉, 질문-응답 단계들로부터 파싱된 노드들 간의 연결 관계들은 이미 명확하며, 따라서 이들 관계들은 전술한 프로세스를 사용하여 마킹되지 않을 수 있다. 즉, 노드들 간의 연결 관계들을 마킹하는 전술한 프로세스는 상이한 질문들의 질문-응답 단계들로부터 파싱된 노드들 간의 연결 관계들을 마킹하는 데 주로 사용된다.
대안적인 실시예에서, 많은 수의 질문들로 인해 상이한 질문들이 동일한 질문-응답 단계들을 가질 수 있다. 질문-응답 단계들은 반복될 수 있는데, 이것은 질문들에 대한 지식 그래프 내 노드들에 반복이 있음을 의미한다. 질문들에 대한 지식 그래프를 단순화하기 위해, 질문들에 대한 지식 그래프가 생성되기 전에, 질문들에 대한 지식 그래프를 축소하기 위해, 분석된 노드들이 병합되어 동일한 질문-응답 단계들을 나타내는 노드들을 하나의 노드로 병합할 수 있다.
도 2에 도시된 실시예에서, 노드들 간의 연결 관계들을 마킹하기 전에, 즉 도 1의 단계(103) 이전에, 방법은 다음의 단계를 더 포함한다.
단계(102): 동일한 질문-응답 단계들을 나타내는 노드들을 하나의 노드로 병합하기 위해 노드들에 대해 병합 프로세스를 수행한다.
질문-응답 단계들의 입력들, 출력들 및 프로세스들을 통해, 질문-응답 단계들이 동일한지를 알게 되며; 만일 두 개의 질문-응답 단계의 입력들, 출력들 및 프로세스들이 본질적으로 동일하다면, 두 개의 질문-응답 단계는 동일한 것으로 간주된다. 예를 들어, , 및 은 모두 이차 함수 코사인을 테스트하는 것이다. 이들 입력들은 사분면 값들에서 차이가 있을 뿐, 기본적으로 동일한 것으로 간주될 수 있다.
위의 분석에 기초하여, 퍼지 규칙이 사전 설정될 수 있는데, 퍼지 규칙은 질문-응답 단계들의 입력들, 프로세스들 및 출력들의 필수 개념들을 추출하는데 사용되며, 나머지 정보는 퍼지화될 것이다. 그 다음, 노드들에 대해 병합 프로세스를 수행하는 방식은: 퍼지 규칙에 따라 노드들에 의해 표시된 질문-응답 단계들을 퍼지-처리하여, 퍼지 질문-응답 단계들을 얻고; 동일한 퍼지 질문-응답 단계들을 나타내는 노드들을 하나의 노드로 병합하는 것이며, 병합된 노드는 동일한 퍼지 질문-응답 단계들을 나타낸다.
동일한 질문-응답 단계들은 일반적으로 동일한 지식 포인트들을 갖는다. 병합된 노드에 의해 표시된 퍼지 질문-응답 단계들에서 테스트된 지식 포인트들은 병합 전에 노드들에 의해 표시된 질문-응답 단계들에서 테스트된 지식 포인트들이다. 또한, 병합된 노드에 의해 표시된 퍼지 질문-응답 단계들에 대응하는 질문 스타일들은 병합 전에 노드들에 의해 표시된 질문-응답 단계들에 대응하는 질문 스타일들을 군집화함으로써 얻을 수 있다. 유사하게, 병합된 노드에 의해 표시된 퍼지 질문-응답 단계의 난이도는 병합 전에 노드들에 의해 표시된 질문-응답 단계들의 난이도들을 군집화함으로써 얻을 수 있다.
예를 들어, 전술한 질문-응답 단계 1을 계속 예로 들자면, 병합된 노드는 퍼지 질문-응답 단계, 테스트된 지식 포인트, 질문 스타일 및 난이도를 다음과 같은 형식으로 나타낸다:
난이도: (1) 0.95 (2) 0.9
지식 포인트: 이차 함수 코사인
전술한 질문 스타일 및 난이도는 병합 전에 노드들에 의해 표시된 질문 스타일들 및 난이도들을 군집화함으로써 구할 수 있다.
본 실시예에서, 노드들이 병합되므로 노드들의 수는 감소될 수 있고 병합된 노드들에 기초하여 생성된 질문들에 대한 지식 그래프는 비교적 간단해질 수 있다.
질문들에 대한 지식 그래프를 구하는 것은 새로운 질문들을 생성할 준비를 한다는 것을 의미한다. 다음의 실시예는 질문들에 대한 지식 그래프에 기초하여 질문들을 생성하는 흐름을 상세하게 설명한다.
도 3은 본 개시내용의 일부 실시예에 따른 정보 처리 방법의 흐름도이다. 도 3에 도시된 바와 같이, 방법은 다음의 단계들을 포함한다.
단계(301): 사용자에 의해 입력된 질문들을 생성하기 위한 요청을 수신하며, 질문들을 생성하기 위한 요청은 학습될 지식 포인트를 포함한다.
단계(302): 질문들에 대한 지식 그래프로부터, 학습될 지식 포인트를 나타내는 타겟 노드를 포함하는 노드 경로를 획득하며, 질문들에 대한 지식 그래프 내 노드들은 기존 질문들의 질문-응답 단계들, 질문-응답 단계들에서 테스트된 지식 포인트들 및 질문-응답 단계들에 대응하는 질문 스타일들을 나타낸다.
단계(303): 노드 경로 상의 노드들에 의해 표시된 질문-응답 단계들, 질문-응답 단계들에서 테스트된 지식 포인트들 및 질문-응답 단계들에 대응하는 질문 스타일들에 따라 사용자에 의해 요구된 질문들을 생성한다.
도시된 실시예는 질문들에 대해 미리 생성된 지식 그래프에 기초하여 구체적으로 구체화되는 새로운 질문들을 생성하는데 사용된다.
사용자가 새로운 질문들을 생성하여야 할 때, 사용자는 질문들을 생성하기 위한 요청을 입력할 수 있으며, 질문들을 생성하기 위한 요청은 사용자가 보통 학습하고자 하거나 실시하고자 하는 지식 포인트를 포함하며, 이는 간략히 학습될 지식 포인트라고 지칭된다. 정보 처리 장치는 사용자에 의해 입력된 질문들을 생성하기 위한 요청을 수신한다. 예를 들어, 정보 처리 장치는 사용자가 질문들을 생성하기 위한 요청을 입력하는 대화형 인터페이스를 제공할 수 있다. 정보 처리 장치는 그런 다음 대화형 인터페이스를 통해 사용자에 의해 입력된 질문들을 생성하기 위한 요청을 수신한다.
정보 처리 장치는, 사용자에 의해 입력된 질문들을 생성하기 위한 요청을 수신한 후, 질문들을 생성하기 위한 요청으로부터 학습될 지식 포인트를 분석하고; 학습될 지식 포인트에 따라 질문들에 대한 지식 그래프로부터 학습될 지식 포인트를 나타내는 노드를 결정한다. 용이한 설명을 위해, 학습될 지식 포인트를 나타내는 노드는 타겟 노드라고 지칭되며; 그 다음에 정보 처리 장치는 타겟 노드를 포함하는 노드 경로를 획득하며, 노드 경로는 다수의 노드로 구성된다. 질문들에 대한 지식 그래프 내의 각 노드는 기존 질문들의 질문-응답 단계들, 질문-응답 단계들에서 테스트된 지식 포인트들 및 질문-응답 단계들에 대응하는 질문 스타일들을 각기 나타내기 때문에, 노드 경로 상의 노드들은 또한 질문-응답 단계들, 질문-응답 단계들에서 테스트된 지식 포인트들 및 질문-응답 단계들에 대응하는 질문 스타일들을 각기 나타낸다. 따라서 사용자에 의해 요구된 질문들은 노드 경로 상의 노드들에 의해 표시된 질문-응답 단계들, 질문-응답 단계들에서 테스트된 지식 포인트들 및 질문-응답 단계들에 대응하는 질문 스타일들에 따라 생성될 수 있다.
질문-응답 단계들, 질문들에 대한 지식 그래프 내 노드가 질문-응답 단계들, 질문-응답 단계들에서 테스트된 지식 포인트들 및 질문-응답 단계들에 대응하는 질문 스타일들을 나타내는 방식은: 노드들의 입력 속성들, 출력 속성들, 프로세스 속성들, 지식 포인트 속성들 및 질문 스타일 속성들이 각기 질문-응답 단계들의 입력들, 질문-응답 단계들의 출력들, 질문-응답 단계들의 프로세스들, 질문-응답 단계들에서 테스트된 지식 포인트들 및 질문-응답 단계들에 대응하는 질문 스타일들에 대응하는 것임을 주목하여야 한다. 또한, 질문-응답 단계가 난이도 정보를 추가로 포함한다면, 노드들의 난이도 속성들은 질문-응답 단계들의 난이도들에 대응할 수 있다.
대안적인 실시예에서, 전술한 단계(302), 즉, 질문들에 대한 지식 그래프로부터, 학습될 지식 포인트를 나타내는 타겟 노드를 포함하는 노드 경로를 획득하는 단계는: 학습될 지식 포인트에 따라 질문들에 대한 지식 그래프 내 타겟 노드의 위치를 결정하는 단계; 질문들에 대한 지식 그래프 내 타겟 노드의 위치 및 지정된 경로 길이 범위에 따라 시작 노드 및 종단 노드를 결정하는 단계; 및 시작 노드로부터 종단 노드까지 타겟 노드를 통과하는 노드 경로를 획득하는 단계를 포함한다.
이러한 구현예에서, 경로 길이 범위는 사전 설정되며; 너무 많은 노드를 포함하는 노드 경로를 획득하지 않도록 하기 위해, 노드 경로 상의 노드들 수가 제한되는데, 이것은 질문 복잡성을 제어하는 데 도움이 된다.
예를 들어, 고유의 경로 길이 범위가 사전 설정될 수 있다. 실제 사용시, 특정 경로 길이가 경로 길이 범위로부터 선택할 수 있다. 또는, 지식 포인트와 경로 길이 범위 내의 경로 길이 간의 맵핑 관계들이 사전 설정될 수 있다. 예를 들어, 일부 지식 포인트들이 높은 난이도들을 갖는 경우, 지식 포인트들을 테스트할 필요를 충족시키기 위해 큰 경로 길이가 설정될 수 있다. 다른 예를 들면, 일부 지식 포인트들이 낮은 난이도들을 갖는 경우, 질문 난이도를 높이기 위해 큰 경로 길이가 설정될 수 있다. 이것에 기초하여, 학습될 지식 포인트에 정합하는 경로 길이를 구하기 위해, 질문들을 생성하기 위한 요청 시 학습될 지식 포인트에 대한 전술한 맵핑 관계들에서 정합이 수행될 수 있다.
또한, 질문들에 대한 지식 그래프 내 노드들은 노드들이 속한 지식 포인트 카테고리들을 결정하기 위해, 질문들에 대한 지식 그래프 내 노드들에 의해 표시된 질문-응답 단계들에서 테스트된 지식 포인트들에 따라 사전에 군집화된다. 이것은 지식 포인트 카테고리들에 따라 질문들에 대한 지식 그래프 내 노드들을 분류하는 것과 대등하다. 이것에 기초하여, 학습될 지식 포인트에 따라 질문들에 대한 지식 그래프 내 타겟 노드의 위치를 결정할 때, 학습될 지식 포인트가 속하는 지식 포인트 카테고리가 획득될 수 있고; 그런 다음 학습될 지식 포인트가 속한 지식 포인트 카테고리에 속하는 질문들에 대한 지식 그래프 내 노드들이 획득되며; 질문들에 대한 지식 그래프 내 타겟 노드 및 타겟 노드의 위치가 지식 포인트 카테고리에 속하는 노드들로부터 결정된다. 질문들에 대한 지식 그래프 내 타겟 노드 및 타겟 노드의 위치는 지식 포인트 카테고리를 통해 빠르게 찾을 수 있으며, 이것은 질문 생성의 효율성을 증진하는 데 도움이 된다.
예를 들면, 질문들에 대한 지식 그래프 내 타겟 노드의 위치 및 지정된 경로 길이 범위에 따라 시작 노드 및 종단 노드를 결정하는 단계의 일 구현예는 다음과 같이: 지정된 경로 길이 범위로부터 사용될 경로 길이 범위를 선택하는 단계; 질문들에 대한 지식 그래프 내 타겟 노드의 위치에 따라 질문들에 대한 지식 그래프 내 타겟 노드를 결정하는 단계; 타겟 노드의 연결 관계들에 따라 타겟 노드에 연결되고 사용될 경로 길이보다 작은 타겟 노드까지의 경로 길이를 갖는 노드를 시작 노드로서 획득하는 단계; 및 시작 노드의 연결 관계들에 따라 타겟 노드를 통해 시작 노드에 연결되고 그리고 사용될 경로 길이와 동일한 시작 경로까지의 경로 길이를 갖는 노드를 종료 로드로서 획득하는 것이다.
다른 예로서, 질문들에 대한 지식 그래프 내 타겟 노드의 위치 및 지정된 경로 길이 범위는 탐색 조건들로서 사용될 수 있고; 타겟 노드를 통과하고 경로 길이 범위를 충족하는 경로 길이를 갖는 노드 경로는 다양한 탐색 알고리즘들을 사용하여 직접 발견될 수 있으며; 노드 경로의 하나의 종단점은 노드 경로 상의 노드들의 입력/출력 방향에 따라 시작 노드로서 결정되고 하나의 종단점은 종단 노드로서 결정된다.
본 실시예에서 시작 노드로부터 타겟 노드까지의 경로 길이 및 타겟 노드로부터 종단 노드까지의 경로 길이는 제한되지 않으며; 두 경로 길이의 합이 지정된 경로 길이 범위를 충족하기만 하면, 충분할 것이라는 것을 또한 주목하여야 한다. 물론, 동일한 또는 거의 동일한 경로 길이를 갖는 두 개의 노드 경로들이 특정 알고리즘을 사용하여 선택될 수도 있다. 예를 들면, 시작 노드의 전술한 선택 시, 타겟 노드에 연결되고 타겟 노드까지의 경로 길이가 사용될 경로 길이의 절반과 동일한 임의의 노드가 시작 노드로서 선택될 수 있다.
여러 쌍의 시작 노드와 종단 노드가 위의 메커니즘을 통해 결정될 수 있다. 즉, 다수의 노드 경로들이 결국 구해질 것이다. 타겟 노드를 통과하고 경로 길이가 지정된 경로 길이 범위를 충족하는 다수의 노드 경로들이 존재할 때, 가장 간단한 구현은 그 중에서 하나 이상의 노드 경로들을 무작위로 선택하는 것이다. 이러한 구현은 계산 효율을 향상하고 계산 비용을 줄이는 데 도움이 되는 비교적 간단한 구현이다. 물론 다수의 노드 경로들은 특정 표준에 따라 순위가 매겨질 수도 있으며; 이후 그 중에서 하나 이상의 최적한 노드 경로들이 선택된다. 또는, 획득한 다수의 노드 경로들의 각 노드 경로가 사용자의 질문을 직접 생성하는데 사용될 수 있다.
대안적인 실시예에서, 전술한 단계(303), 즉, 노드 경로 상의 노드들에 의해 표시된 질문-응답 단계들, 질문-응답 단계들에서 테스트된 지식 포인트들 및 질문-응답 단계들에 대응하는 질문 스타일들에 따라 사용자에 의해 요구된 질문을 생성하는 단계는: 노드 경로 상의 각각의 노드에 의해 표시된 질문-응답 단계들에 대응하는 질문 스타일들을 조합하여 적어도 하나의 질문 스타일 조합을 구하는 단계; 및 적어도 하나의 질문 스타일 조합 내의 모든 질문 스타일 조합에 따라 노드 경로 상의 노드들에 의해 표시된 질문-응답 단계들과 질문-응답 단계들에서 테스트된 지식 포인트들을 조합하여 사용자에 의해 요구된 질문들을 생성하는 단계를 포함한다.
모든 노드 경로 상의 노드들에 의해 표시된 질문-응답 단계들이 하나의 질문 스타일에 해당하면, 하나의 질문 스타일 조합이 구해질 수 있고; 노드 경로 상의 노드들에 의해 표시된 질문-응답 단계들이 다수의 질문 스타일들에 해당하면, 다수의 질문 스타일 조합들이 구해질 수 있다.
상이한 질문들은 상이한 질문 스타일 조합들을 이용하여 생성될 수 있다. 각각의 질문 스타일 조합에 따라 노드 경로 상의 노드들에 의해 표시된 질문-응답 단계들과 질문-응답 단계들에서 테스트된 지식 포인트들을 조합하여 사용자에 의해 요구된 질문들을 생성하는 단계는 구체적으로: 질문 스타일 조합에 따라, 노드들에 의해 표시된 질문-응답 단계들과 질문-응답 단계들에서 테스트된 지식 포인트들을 조합하여 질문을 설명하는 한 조각의 설명 내용을 형성하는 것이다.
또한, 노드 경로 상의 노드들에 의해 표시된 질문-응답 단계들은 퍼지-처리된다. 그 다음, 적어도 하나의 질문 스타일 조합 내의 모든 질문 스타일 조합에 따라 노드 경로 상의 노드들에 의해 표시된 질문-응답 단계들과 질문-응답 단계들에서 테스트된 지식 포인트들을 조합하여 사용자에 의해 요구된 질문들을 생성하는 프로세스는: 모든 질문 스타일 조합에 따라 노드 경로 상의 노드들에 의해 표시된 질문-응답 단계들과 질문-응답 단계들에서 테스트된 지식 포인트들을 조합하여 완료될 질문들을 생성하는 것; 및 사전 설정된 구체화 규칙에 따라 완료될 질문들에서 질문-응답 단계들을 구체화하여 사용자에 의해 요구된 질문들을 생성하는 것을 포함한다.
전술한 실시예에서 퍼지 규칙에 대응하는 구체화 규칙은 퍼지 규칙의 역 규칙이고, 퍼지 규칙으로 퍼지화된 내용을 구체화하기 위해 사용되며; 예를 들면, 구체화 규칙은 전술한 예에서 "?"로 표현된 내용을 완료하는 것이다.
또한, 대안적인 실시예에서, 사용자에 의해 입력된 질문들을 생성하기 위한 요청은 학습될 지식 포인트뿐만 아니라 질문 난이도를 포함한다. 따라서 질문들에 대한 지식 그래프 내 노드들은 질문-응답 단계들의 난이도들을 추가로 나타낸다.
상기한 바에 기초하여, 단계(303), 즉 노드 경로 상의 노드들에 의해 표시된 질문-응답 단계들, 질문-응답 단계들에서 테스트된 지식 포인트들 및 질문-응답 단계들에 대응하는 질문 스타일들에 따라 사용자에 의해 요구된 질문들을 생성하는 단계는: 노드 경로 상의 노드들에 의해 표시된 질문-응답 단계들, 질문-응답 단계들에서 테스트된 지식 포인트들 및 질문-응답 단계들에 대응하는 질문 스타일들에 따라 엑서사이즈 후보들(exercise candidates)을 생성하는 단계; 노드 경로 상의 노드들에 의해 표시된 질문-응답 단계들의 난이도들에 따라 질문 후보들의 난이도들을 결정하는 단계; 및 질문 난이도들 및 질문 후보들의 난이도들에 따라 사용자에 의해 요구된 질문들을 질문 후보들로부터 선택하는 단계를 포함하다.
질문 후보들의 난이도들은 노드 경로 상의 노드들에 의해 표시된 질문-응답 단계들의 난이도들의 누적일 수 있거나; 또는 질문 후보들을 형성하는 질문-응답 단계들의 난이도들의 누적일 수 있다. 예를 들어, 질문-응답 단계의 난이도로서 정확도가 사용된다고 가정하면; 질문 후보들의 난이도들은 노드 경로 상의 모든 노드들에 의해 표시된 질문-응답 단계들의 정확도들의 결과물이다. 질문 후보들의 난이도들이 구해진 다음, 사용자에 의해 요구된 질문 난이도에 상당하는 난이도를 갖는 질문 후보들은 사용자에 의해 요구된 질문 난이도에 따라 사용자에 의해 요구된 질문들로서 선택되며; 이들 질문들은 사용자에게 출력된다.
본 명세서에서 전술한 단계(303)의 특정 구현예는 질문 스타일 조합, 구체화 처리 및 학습 난이도를 포함하는 세 가지 양상들을 포함한다는 점을 유의하여야 하며; 이들 세 가지 양상들은 단독으로 구현되거나 임의의 조합으로 구현될 수 있다.
본 실시예에서 제공되는 방법을 더 잘 설명하기 위해, 아래의 예가 제공된다: 질문 은행에는 다음의 세 개의 질문들이 있다고 가정한다:
세 개의 질문들의 질문-응답 단계들, 테스트된 지식 포인트들, 질문 스타일들 및 난이도들과 같은 정보는 여기서 생략된다. 이러한 정보를 구체화하기 위해 이전 실시예의 대응 예가 참조될 수 있다.
본 실시예에서 제공되는 방법이 위의 세 개의 질문을 처리한 후 다음과 같은 새로운 두 개의 질문이 구해질 수 있다:
전술한 바를 고려하여, 본 실시예에서, 질문들에 대해 사전에 생성된 지식 그래프에 기초하여, 학습될 지식 포인트를 나타내는 타겟 노드를 포함하는 노드 경로는 사용자에 의해 입력된 질문들을 생성하기 위한 요청에 포함된 학습될 지식 포인트에 따라 질문들에 대한 지식 그래프로부터 획득될 수 있고; 그 다음에 사용자에 의해 요구된 질문들은 노드 경로 상의 노드들에 의해 표시된 질문-응답 단계들, 질문-응답 단계들에서 테스트된 지식 포인트들 및 질문-응답 단계들에 대응하는 질문 스타일들에 따라 형성된다. 개시된 실시예는 질문 생성의 문제를 해결하고 질문 은행의 수집물을 확장하고 증진하는 것을 더욱 용이하게 한다.
전술한 각각의 방법 실시예를 간략하게 설명하기 위해, 모든 방법 실시예들은 일련의 작동들의 조합으로 표현된다는 것을 유의하여야 하지만; 본 기술 분야에서 통상의 지식을 가진 자라면 개시된 실시예들은 설명된 작동들의 시퀀스로 제한되지 않으며; 특정 단계들은 상이한 시퀀스들로 적용될 수 있거나 개시된 실시예들에 따라 동시에 수행될 수 있다는 것을 알아야 한다. 두 번째로, 본 기술 분야에서 통상의 지식을 가진 자라면 설명에서 기재된 모든 실시예들은 바람직한 실시예들에 속하며; 관련된 작동들 및 모듈들은 개시된 실시예들에 반드시 필요한 것이 아니라는 것을 또한 알아야 한다.
실시예에서, 각각의 실시예에 관한 설명은 그 자체에 초점을 맞추고 있으며; 특정 실시예에서 상세하게 설명되지 않은 것들에 대해서는 다른 실시예들의 관련 설명을 참조함으로써 참조될 수 있다.
도 4는 본 개시내용의 일부 실시예에 따른 정보 처리 장치의 블록도이다. 도 4에 도시된 바와 같이, 장치는 파싱 모듈(41) 및 마킹 모듈(42)을 포함한다.
파싱 모듈(41)은 기존 질문들의 질문-응답 단계들을 노드들로 파싱하도록 구성되며, 노드들은 질문-응답 단계들, 질문-응답 단계들에서 테스트된 지식 포인트들 및 질문-응답 단계들에 대응하는 질문 스타일들을 나타낸다.
마킹 모듈(42)은 노드들 간의 연결 관계들을 마킹하여 질문들에 대한 지식 그래프를 생성하도록 구성된다.
대안적인 실시예에서, 도 5에 도시된 바와 같이, 정보 처리 장치는: 병합 모듈(43)을 더 포함한다.
병합 모듈(43)은 마킹 모듈(42)이 노드들 간의 연결 관계들을 마킹하기 전에 동일한 질문-응답 단계들을 나타내는 노드들을 하나의 노드로 병합하기 위해, 파싱 모듈(41)에 의해 파싱된 노드들에 대해 병합 프로세스를 수행하도록 구성된다.
또한, 병합 모듈(43)은: 퍼지 질문-응답 단계들을 구하기 위해, 퍼지 규칙에 따라 노드들에 의해 표시된 질문-응답 단계들을 퍼지-처리하고; 동일한 퍼지 질문-응답 단계들을 나타내는 노드들을 하나의 노드로 병합하도록 구성될 수 있으며, 병합된 노드는 동일한 퍼지 질문-응답 단계들을 나타낸다.
노드들은 병합 모듈(43)에 의해 병합되는데, 이것은 노드들의 수를 줄이는 데 도움을 주어, 질문들에 대해 생성된 지식 그래프의 구조를 단순화하고 질문들에 대한 지식 그래프에 기초한 질문 생성의 효율성을 향상한다.
대안적인 실시예에서, 마킹 모듈(42)은: 임의의 두 개의 노드들에 대해, 두 노드 중 제1 노드에 의해 표시된 질문-응답 단계들의 출력이 두 노드 중 제2 노드에 의해 표시된 질문-응답의 입력과 동일한지를 결정하도록 구성될 수 있다. 결정 결과가 긍정이면, 제1 노드와 제2 노드가 연결된 것으로 마킹하고; 결정 결과가 부정이면, 제1 노드와 제2 노드가 연결되지 않은 것으로 마킹한다.
모든 노드들 간의 연결 관계들이 마킹된 이후에는 질문들에 대한 지식 그래프가 생성될 수 있다.
대안적인 실시예에서, 파싱 모듈(41)은: 질문-응답 단계들의 입력들, 질문-응답 단계들의 출력들, 질문-응답 단계들의 프로세스들, 질문-응답 단계들에서 테스트된 지식 포인트들 및 질문-응답 단계들에 대응하는 질문 스타일들을 각기 노드들의 입력 속성들, 출력 속성들, 프로세스 속성들, 지식 포인트 속성들 및 질문 스타일 속성들로 파싱하도록 구성될 수 있다.
또한, 파싱 모듈(41)은 질문-응답 단계들의 난이도들을 노드들의 난이도 속성들로 파싱하도록 추가로 구성될 수 있다.
대안적인 실시예에서, 도 5에 도시된 바와 같이, 장치는: 군집화 모듈(44)을 더 포함한다.
군집화 모듈(44)은 질문들에 대한 지식 그래프가 생성된 이후 노드들이 속한 지식 포인트 카테고리들을 결정하기 위해, 노드들에 의해 표시된 질문-응답 단계들에서 테스트된 지식 포인트들에 따라 노드들을 군집화하도록 구성된다.
질문들에 대한 지식 그래프 내 노드들은 노드들이 간편하게 관리될 수 있도록 군집화 모듈(44)에 의해 군집화되며; 노드들은 카테고리별로 관리되기 때문에, 노드들은 질문들을 생성하는 프로세스에서 신속하게 찾아질 수 있으며, 그럼으로써 질문 생성의 효율성을 향상시킨다.
본 실시예에서 제공되는 정보 처리 장치는 기존 질문들의 질문-응답 단계들을 노드들로 파싱하며, 노드들은 질문-응답 단계들, 질문-응답 단계들에서 테스트된 지식 포인트들 및 질문-응답 단계들에 대응하는 질문 스타일들을 나타내며; 그런 다음 노드들 간의 연결 관계들에 따라 질문들에 대한 지식 그래프가 형성되는데, 이것은 질문들에 대한 지식 그래프에 기초하여 후속 질문의 생성을 위한 조건을 준비하는 것이다.
도 6은 본 개시내용의 일부 실시예에 따른 정보 처리 장치의 블록도이다. 도 6에 도시된 바와 같이, 장치는: 수신 모듈(61), 획득 모듈(62) 및 생성 모듈(63)을 포함한다.
수신 모듈(61)은 사용자에 의해 입력된 질문들을 생성하기 위한 요청을 수신하도록 구성되며, 질문들을 생성하기 위한 요청은 학습될 지식 포인트를 포함한다.
획득 모듈(62)은 질문들에 대한 지식 그래프로부터, 수신 모듈(61)에 의해 수신된 학습될 지식 포인트를 나타내는 타겟 노드를 포함하는 노드 경로를 획득하도록 구성되며, 질문들에 대한 지식 그래프 내 노드들은 기존 질문들의 질문-응답 단계들, 질문-응답 단계들에서 테스트된 지식 포인트들 및 질문-응답 단계들에 대응하는 질문 스타일들을 나타낸다.
생성 모듈(63)은 획득 모듈(62)이 획득하는 다음과 같은 것: 노드 경로 상의 노드들에 의해 표시된 질문-응답 단계들, 질문-응답 단계들에서 테스트된 지식 포인트들 및 질문-응답 단계들에 대응하는 질문 스타일들에 따라 사용자에 의해 요구된 질문들을 생성하도록 구성된다.
대안적인 실시예에서, 획득 모듈(62)은: 학습될 지식 포인트에 따라 질문들에 대한 지식 그래프 내 타겟 노드의 위치를 결정하고; 질문들에 대한 지식 그래프 내 타겟 노드의 위치 및 지정된 경로 길이 범위에 따라 시작 노드 및 종단 노드를 결정하고; 시작 노드로부터 종단 노드까지 타겟 노드를 통과하는 노드 경로를 획득하도록 구성될 수 있다.
예를 들어, 질문들에 대한 지식 그래프 내 타겟 노드의 위치 및 지정된 경로 길이 범위에 따라 시작 노드 및 종단 노드를 결정할 때, 획득 모듈(62)은: 지정된 경로 길이 범위로부터 사용될 경로 길이를 선택하고; 질문들에 대한 지식 그래프 내 타겟 노드의 위치에 따라 질문들에 대한 지식 그래프 내 타겟 노드를 결정하고; 타겟 노드의 연결 관계들에 따라, 타겟 노드에 연결되고 타겟 노드까지의 경로 길이가 사용될 경로 길이보다 작은 노드를 시작 노드로서 획득하며; 시작 노드의 연결 관계들에 따라, 타겟 노드를 통해 시작 노드에 연결되고 시작 노드까지의 경로 길이가 사용될 경로 길이와 동일한 노드를 종단 노드로서 획득하도록 구성될 수 있다.
다른 예로서, 질문들에 대한 지식 그래프 내 타겟 노드의 위치 및 지정된 경로 길이 범위에 따라 시작 노드 및 종단 노드를 결정할 때, 획득 모듈(62)은: 다양한 탐색 알고리즘들을 사용함으로써 질문들에 대한 지식 그래프 내 타겟 노드의 위치 및 지정된 경로 길이 범위를 탐색 조건들로서 사용하여 타겟 노드를 통과하고 그리고 경로 길이 범위를 만족하는 경로 길이를 갖는 노드 경로를 직접 찾고; 노드 경로 상의 노드들의 입력/출력 방향에 따라 노드 경로의 하나의 종단점을 시작 노드로서 결정하고 하나의 종단점을 종단 노드로서 결정하도록 구성될 수 있다.
본 실시예에서 시작 노드로부터 타겟 노드까지의 경로 길이 및 타겟 노드로부터 종단 노드까지의 경로 길이는 제한되지 않으며; 두 경로 길이들의 합이 지정된 경로 길이 범위를 만족하기만 하면 충분할 것이라는 것을 또한 유의하여야 한다. 물론, 동일한 또는 거의 동일한 경로 길이를 갖는 두 노드 경로들은 특정 알고리즘을 사용하여 선택될 수도 있다. 예를 들면, 전술한 시작 노드의 선택 시, 타겟 노드에 연결되고 타겟 노드까지의 경로 길이가 사용될 경로 길이의 절반과 같은 임의의 노드가 시작 노드로서 선택될 수 있다.
다수 쌍의 시작 노드들과 종단 노드들이 위의 메커니즘을 통해 결정될 수 있다: 다시 말해서, 다수의 노드 경로들이 결국 구해질 것이다. 타겟 노드를 통과하고 경로 길이가 지정된 경로 길이 범위를 충족하는 다수의 노드 경로들이 존재할 때, 가장 간단한 구현은 그 중에서 하나 이상의 노드 경로들을 무작위로 선택하는 것이다. 이러한 구현은 계산 효율을 향상하고 계산 비용을 줄이는 데 도움이 되는 비교적 간단하다. 물론 다수의 노드 경로들은 특정 표준에 따라 순위가 매겨질 수도 있으며; 이후 그 중에서 하나 이상의 최적한 노드 경로가 선택된다. 또는, 획득한 다수의 노드 경로들 내 각각의 노드 경로가 사용자의 질문들을 직접 생성하는데 사용될 수 있다.
또한, 학습될 지식 포인트에 따라 질문들에 대한 지식 그래프 내 타겟 노드의 위치를 결정할 때, 획득 모듈(62)은: 엑서사이즈 지식 그래프로부터, 학습될 지속 포인트가 속한 지식 포인트 카테고리에 속하는 노드들을 획득하고; 지식 포인트 카테고리에 속한 노드들에 기초하여 질문들에 대한 지식 그래프 내 타겟 노드 및 타겟 노드의 위치를 결정하도록 구성될 수 있다.
대안적인 실시예에서, 생성 모듈(63)은: 노드 경로 상의 각각의 노드에 의해 표시된 질문-응답 단계들에 대응하는 질문 스타일들을 조합하여 적어도 하나의 질문 스타일 조합을 구하고; 적어도 하나의 질문 스타일 조합의 모든 질문 스타일 조합에 따라 노드 경로 상의 노드들에 의해 표시된 질문-응답 단계들과 질문-응답 단계들에서 테스트된 지식 포인트들을 조합하여 사용자에 의해 요구된 질문을 생성하도록 구성될 수 있다.
선택적으로, 노드 경로 상의 노드들에 의해 표시된 질문-응답 단계들은 퍼지-처리된다. 이에 기초하여, 적어도 하나의 질문 스타일 조합 내의 모든 질문 스타일 조합에 따라 노드 경로 상의 노드들에 의해 표시된 질문-응답 단계들과 질문-응답 단계들에서 테스트된 지식 포인트들에서, 사용자에 의해 요구된 질문들을 생성하기 위해, 생성 모듈(63)은: 모든 질문 스타일 조합에 따라 노드 경로 상의 노드들에 의해 표시된 질문-응답 단계들과 질문-응답 단계들에서 테스트된 지식 포인트들을 조합하여 완료될 질문을 생성하고; 사전 설정된 구체화 규칙에 따라 완료될 질문들에서 질문-응답 단계들을 구체화하여 사용자에 의해 요구된 질문을 생성하도록 구성될 수 있다.
대안적인 실시예에서, 전술한 질문들을 생성하기 위한 요청은 학습될 지식 포인트뿐만 아니라 질문 난이도를 포함한다. 따라서, 질문들에 대한 지식 그래프 내 노드들은 질문-응답 단계들의 난이도들을 추가로 나타낸다.
상기한 바에 기초하여, 생성 모듈(63)은: 노드 경로 상의 노드들에 의해 표시된 질문-응답 단계들, 질문-응답 단계들에서 테스트된 지식 포인트들 및 질문-응답 단계들에 대응하는 질문 스타일들에 따라 엑서사이즈 후보들을 생성하고; 노드 경로 상의 노드들에 의해 표시된 질문-응답 단계들의 난이도들에 따라, 질문 후보들의 난이도들을 결정하고; 질문 난이도 및 질문 후보들의 난이도들에 따라, 질문 후보들로부터 사용자에 의해 요구된 질문들을 선택하도록 구성될 수 있다.
대안적인 실시예에서, 질문들에 대한 지식 그래프 내 노드들이 질문-응답 단계들, 질문-응답 단계들에서 테스트된 지식 포인트들 및 질문-응답 단계들에 대응하는 질문 스타일들을 나타내는 방식은: 노드들의 입력 속성들, 출력 속성들, 프로세스 속성들, 지식 포인트 속성들 및 질문 스타일 속성들이 각기 질문-응답 단계들의 입력들, 질문-응답 단계들의 출력들, 질문-응답 단계들의 프로세스들, 질문-응답 단계들에서 테스트된 지식 포인트들 및 질문-응답 단계들에 대응하는 질문 스타일들에 대응하는 것이다.
또한 노드의 난이도 속성들은 질문-응답 단계들의 난이도들에 추가로 대응한다.
본 실시예에서 제공된 정보 처리 장치는 전술한 실시예에서 제공된 질문들에 대한 지식 그래프를 생성할 수 있는 정보 처리 장치와 함께 사용될 수 있고; 사용자에 의해 입력된 질문들을 생성하기 위한 요청이 수신될 때, 질문들을 생성하기 위한 요청에 포함된 학습될 지식 포인트를 나타내는 타겟 노드를 포함하는 노드 경로는 질문들을 생성하기 위한 요청에 포함된 학습될 지식 포인트에 따라 질문들에 대한 지식 그래프로부터 획득될 수 있으며; 그 다음 사용자에 의해 요구된 질문들은 노드 경로 상의 노드들에 의해 표시된 질문-응답 단계들, 질문-응답 단계들에서 테스트된 지식 포인트들 및 질문-응답 단계들에 대응하는 질문 스타일들에 따라 형성된다. 본 개시내용은 질문 생성의 문제를 해결하고 질문 은행의 수집물의 확장 및 증진을 더욱 용이하게 한다.
본 기술 분야에서 통상의 지식을 가진 자라면 편리하고 간결한 설명을 위해, 전술한 방법 실시예들의 대응하는 프로세스들을 참조함으로써 전술한 시스템들, 장치 및 유닛들의 특정 작업 프로세스들이 참조될 수 있음을 이해할 수 있으며; 이것들은 본 명세서에서 되풀이되지 않는다.
본 개시내용에 의해 제공되는 몇몇 실시예에서, 개시된 시스템들, 장치들 및 방법들은 다른 방식으로 구현될 수 있음을 이해하여야 한다. 예를 들어, 전술한 장치 실시예는 단지 개략적인 것일 뿐이다. 예를 들어, 유닛들을 분할하는 것은 논리적 기능의 분할일 뿐이고; 복수의 유닛들 또는 구성요소들이 조합될 수 있거나 다른 시스템에 통합될 수 있는 것처럼, 실제로 구현될 때는 다른 분할 방법이 존재할 수 있거나; 또는 일부 특징들이 무시될 수 있거나 실행되지 않을 수 있다. 다른 관점에서, 도시되거나 논의된 상호 결합, 직접 결합 또는 통신 연결은 장치 또는 유닛들의 일부 인터페이스들, 간접 결합 또는 통신 연결을 통한 전기적, 기계적 또는 기타의 형태일 수 있다.
별도의 부품들로서 설명된 유닛들은 물리적으로 분리될 수도 있거나 분리되지 않을 수도 있으며; 유닛들로서 도시된 부품들은 한 장소에 위치하거나 복수의 네트워크 유닛들 상에 분산될 수 있는 물리적인 유닛들일 수도 있거나 그렇지 않을 수도 있다. 본 실시예의 해결책의 목적은 실제 요건에 따라 유닛들의 일부 또는 전부를 선택함으로써 구현될 수 있다.
또한, 본 개시내용의 실시예에서 각종 기능 유닛들은 하나의 처리 유닛에 통합될 수 있고, 유닛들은 물리적으로 개별적으로 존재하거나, 둘 이상의 유닛들이 하나의 유닛에 통합되기도 한다. 통합 유닛은 하드웨어를 사용하여 구현될 수 있으며, 또한 하드웨어와 소프트웨어 기능 유닛의 형태로 구현될 수도 있다.
소프트웨어 기능 유닛의 형태로 구현되는 통합 유닛은 컴퓨터 판독 가능한 저장 매체에 저장될 수 있다. 소프트웨어 기능 유닛은 저장 매체에 저장되며, (퍼스널 컴퓨터, 서버, 네트워크 장치 등일 수도 있는) 컴퓨터 장치 또는 프로세서가 본 개시내용의 실시예들의 방법의 부분 단계들을 실행할 수 있게 하는 몇 가지 명령어들을 포함한다. 전술한 저장 매체는 USB 플래시 디스크, 모바일 하드 디스크, 판독 전용 메모리(Read-Only Memory)(ROM), 랜덤 액세스 메모리(Random Access Memory)(RAM), 자기 디스크, 광디스크 등을 비롯하여 프로그램 코드를 저장할 수 있는 각종 매체를 포함한다.
끝으로 위의 실시예들은 본 개시내용의 기술적인 해결책을 제한한다기보다는 그저 이를 설명하기 위해 사용된다는 것임을 유의하여야 한다. 본 개시내용은 전술한 실시예들을 참조하여 상세히 설명되었지만, 본 기술 분야에서 통상의 지식을 가진 자라면 전술한 실시예들에서 기록된 기술적 해결책들이 여전히 수정될 수 있거나 해결책들의 부분적인 기술적 특징들에 대해 동등한 대체가 이루어질 수 있음을 이해하여야 한다. 이러한 수정 또는 대체는 대응하는 기술적 해결책들의 본질이 본 개시내용의 실시예들에서의 기술적 해결책들의 사상 및 범위를 벗어나게 하지는 않을 것이다.
Claims (28)
- 정보 처리 방법으로서,
사용자에 의해 입력된 질문들을 생성하기 위한 요청을 수신하는 단계 - 상기 질문들을 생성하기 위한 요청은 학습될 지식 포인트(to-be-learned knowledge point)를 포함함 -;
질문들에 대한 지식 그래프(knowledge graph)로부터, 상기 학습될 지식 포인트를 나타내는 타겟 노드를 포함하는 노드 경로를 획득하는 단계 - 상기 질문들에 대한 지식 그래프 내 노드들은 기존 질문들의 질문-응답 단계들(question-answering steps), 상기 질문-응답 단계들에서 테스트된 지식 포인트들 및 상기 질문-응답 단계들에 대응하는 질문 스타일들(questioning styles)을 나타냄 -; 및
상기 노드 경로 상의 노드들에 의해 표시된 질문-응답 단계들, 상기 질문-응답 단계들에서 테스트된 지식 포인트들 및 상기 질문-응답 단계들에 대응하는 질문 스타일들에 따라 상기 사용자에 의해 요구된 질문들을 생성하는 단계
를 포함하는, 정보 처리 방법. - 제1항에 있어서, 질문들에 대한 지식 그래프로부터, 상기 학습될 지식 포인트를 나타내는 타겟 노드를 포함하는 노드 경로를 획득하는 단계는:
상기 학습될 지식 포인트에 따라 상기 질문들에 대한 지식 그래프 내 상기 타겟 노드의 위치를 결정하는 단계;
상기 질문들에 대한 지식 그래프 내 상기 타겟 노드의 위치 및 지정된 경로 길이 범위에 따라 시작 노드 및 종단 노드를 결정하는 단계; 및
상기 시작 노드로부터 상기 종단 노드까지 상기 타겟 노드를 통과하는 상기 노드 경로를 획득하는 단계
를 포함하는, 정보 처리 방법. - 제2항에 있어서, 상기 학습될 지식 포인트에 따라 상기 질문들에 대한 지식 그래프 내 상기 타겟 노드의 위치를 결정하는 단계는:
상기 질문들에 대한 지식 그래프로부터, 상기 학습될 지식 포인트가 속한 지식 포인트 카테고리(knowledge point category)에 속하는 노드들을 획득하는 단계; 및
상기 지식 포인트 카테고리에 속하는 상기 노드들에 기초하여 상기 질문들에 대한 지식 그래프 내 상기 타겟 노드 및 상기 타겟 노드의 위치를 결정하는 단계
를 포함하는, 정보 처리 방법. - 제1항에 있어서, 상기 노드 경로 상의 노드들에 의해 표시된 질문-응답 단계들, 상기 질문-응답 단계들에서 테스트된 지식 포인트들 및 상기 질문-응답 단계들에 대응하는 질문 스타일들에 따라 상기 사용자에 의해 요구된 질문들을 생성하는 단계는:
상기 노드 경로 상의 각각의 노드에 의해 표시된 상기 질문-응답 단계들에 대응하는 상기 질문 스타일들을 조합하여 적어도 하나의 질문 스타일 조합(questioning style combination)을 획득하는 단계; 및
상기 적어도 하나의 질문 스타일 조합 내의 모든 질문 스타일 조합에 따라 상기 노드 경로 상의 노드들에 의해 표시된 상기 질문-응답 단계들과 상기 질문-응답 단계들에서 테스트된 상기 지식 포인트들을 조합하여 상기 사용자에 의해 요구된 질문들을 생성하는 단계
를 포함하는, 정보 처리 방법. - 제4항에 있어서, 상기 노드 경로 상의 노드들에 의해 표시된 상기 질문-응답 단계들은 퍼지-처리(fuzzy-process)되며, 상기 적어도 하나의 질문 스타일 조합 내의 모든 질문 스타일 조합에 따라 상기 노드 경로 상의 노드들에 의해 표시된 상기 질문-응답 단계들과 상기 질문-응답 단계들에서 테스트된 상기 지식 포인트들을 조합하여 상기 사용자에 의해 요구된 질문들을 생성하는 단계는:
모든 질문 스타일 조합에 따라 상기 노드 경로 상의 노드들에 의해 표시된 상기 질문-응답 단계들 및 상기 질문-응답 단계들에서 테스트된 상기 지식 포인트들을 조합하여 완료될 질문들을 생성하는 단계; 및
사전 설정된 구체화 규칙(concretization rule)에 따라 상기 완료될 질문들에서 질문-응답 단계들을 구체화하여 상기 사용자에 의해 요구된 질문들을 생성하는 단계
를 포함하는, 정보 처리 방법. - 제1항에 있어서, 상기 질문들을 생성하기 위한 요청은 질문 난이도(question difficulty level)를 추가로 포함하며; 상기 질문들에 대한 지식 그래프 내 상기 노드들은 상기 질문-응답 단계들의 난이도들을 추가로 표시하며; 상기 노드 경로 상의 노드들에 의해 표시된 질문-응답 단계들, 상기 질문-응답 단계들에서 테스트된 지식 포인트들 및 상기 질문-응답 단계들에 대응하는 질문 스타일들에 따라 상기 사용자에 의해 요구된 질문들을 생성하는 단계는:
상기 노드 경로 상의 노드들에 의해 표시된 질문-응답 단계들, 상기 질문-응답 단계들에서 테스트된 지식 포인트들 및 상기 질문-응답 단계들에 대응하는 질문 스타일들에 따라 질문 후보들을 생성하는 단계;
상기 노드 경로 상의 노드들에 의해 표시된 상기 질문-응답 단계들의 상기 난이도들에 따라 상기 질문 후보들의 난이도들을 결정하는 단계; 및
상기 질문 후보들로부터, 상기 질문 난이도 및 상기 질문 후보들의 상기 난이도들에 따라 상기 사용자에 의해 요구된 상기 질문들을 선택하는 단계
를 포함하는, 정보 처리 방법. - 제1항 내지 제6항 중 어느 한 항에 있어서, 상기 질문들에 대한 지식 그래프 내 상기 노드들이 상기 질문-응답 단계들, 상기 질문-응답 단계들에서 테스트된 상기 지식 포인트들 및 상기 질문-응답 단계들에 대응하는 상기 질문 스타일들을 나타내는 방식은 상기 노드들의 입력 속성들, 출력 속성들, 프로세스 속성들, 지식 포인트 속성들 및 질문 스타일 속성들이 각기 상기 질문-응답 단계들의 입력들, 상기 질문-응답 단계들의 출력들, 상기 질문-응답 단계들의 프로세스들, 상기 질문-응답 단계들에서 테스트된 상기 지식 포인트들 및 상기 질문-응답 단계들에 대응하는 상기 질문 스타일들에 대응하는 것을 포함하는, 정보 처리 방법.
- 정보 처리 방법으로서,
기존 질문들의 질문-응답 단계들을 노드들로 파싱하는 단계 - 상기 노드들은 상기 질문-응답 단계들, 상기 질문-응답 단계들에서 테스트된 지식 포인트들 및 상기 질문-응답 단계들에 대응하는 질문 스타일들을 나타냄 -; 및
상기 노드들 간의 연결 관계들을 마킹하여 질문들에 대한 지식 그래프를 생성하는 단계
를 포함하는, 정보 처리 방법. - 제8항에 있어서, 노드들 간의 연결 관계들을 마킹하여 질문들에 대한 지식 그래프를 생성하는 단계에 앞서, 상기 방법은,
상기 노드들에 대해 병합 프로세스(merging process)를 수행하여 동일한 질문-응답 단계들을 표시하는 노드들을 하나의 노드로 병합하는 단계
를 더 포함하는, 정보 처리 방법. - 제9항에 있어서, 상기 노드들에 대해 병합 프로세스를 수행하여 동일한 질문-응답 단계들을 표시하는 노드들을 하나의 노드로 병합하는 단계는:
퍼지 규칙에 따라 상기 노드들에 의해 표시된 상기 질문-응답 단계들을 퍼지-처리하여 퍼지 질문-응답 단계들(fuzzy question-answering steps)을 획득하는 단계; 및
동일한 퍼지 질문-응답 단계들을 표시하는 노드들을 하나의 노드로 병합하는 단계 - 상기 병합된 노드는 상기 동일한 퍼지 질문-응답 단계들을 나타냄 -
를 포함하는, 정보 처리 방법. - 제8항에 있어서, 상기 노드들 간의 연결 관계들을 마킹하여 질문들에 대한 지식 그래프를 생성하는 단계는:
임의의 두 개의 노드의 경우, 상기 두 개의 노드 중 제1 노드에 의해 표시된 질문-응답 단계의 출력이 상기 두 개의 노드 중 제2 노드에 의해 표시된 질문-응답 단계의 입력과 동일한지를 결정하는 단계;
결정 결과가 긍정이면, 상기 제1 노드와 상기 제2 노드가 연결된 것으로 마킹하는 단계; 및
상기 결정 결과가 부정이면, 상기 제1 노드와 상기 제2 노드가 연결되지 않은 것으로 마킹하는 단계; 및
모든 상기 노드들 간의 연결 관계들이 마킹된 이후 상기 질문들에 대한 지식 그래프를 생성하는 단계
를 포함하는, 정보 처리 방법. - 제8항에 있어서, 상기 기존 질문들의 질문-응답 단계들을 노드들로 파싱하는 단계는:
상기 질문-응답 단계들의 입력들, 상기 질문-응답 단계들의 출력들, 상기 질문-응답 단계들의 프로세스들, 상기 질문-응답 단계들에서 테스트된 상기 지식 포인트들 및 상기 질문-응답 단계들에 대응하는 상기 질문 스타일들을 각기 상기 노드들의 입력 속성들, 출력 속성들, 프로세스 속성들, 지식 포인트 속성들 및 질문 스타일 속성들로 파싱하는 단계를 포함하는, 정보 처리 방법. - 제12항에 있어서, 상기 기존 질문들의 질문-응답 단계들을 노드들로 파싱하는 단계는 상기 질문-응답 단계들의 난이도들을 상기 노드들의 난이도 속성들로 파싱하는 단계를 더 포함하는, 정보 처리 방법.
- 제8항 내지 제11항 중 어느 한 항에 있어서,
상기 질문들에 대한 지식 그래프를 생성한 이후, 상기 노드들이 속한 지식 포인트 카테고리들을 결정하기 위해, 상기 노드들에 의해 표시된 상기 질문-응답 단계들에서 테스트된 상기 지식 포인트들에 따라 상기 노드들을 군집화(clustering)하는 단계를 더 포함하는, 정보 처리 방법. - 정보 처리 장치로서,
사용자에 의해 입력된 질문들을 생성하기 위한 요청을 수신하도록 구성된 수신 모듈 - 상기 질문들을 생성하기 위한 요청은 학습될 지식 포인트를 포함함 -;
질문들에 대한 지식 그래프로부터, 상기 학습될 지식 포인트를 표시하는 타겟 노드를 포함하는 노드 경로를 획득하도록 구성된 획득 모듈 - 상기 질문들에 대한 지식 그래프 내 노드들은 기존 질문들의 질문-응답 단계들, 상기 질문-응답 단계들에서 테스트된 지식 포인트들 및 상기 질문-응답 단계들에 대응하는 질문 스타일들을 나타냄 -; 및
상기 노드 경로 상의 노드들에 의해 표시된 질문-응답 단계들, 상기 질문-응답 단계들에서 테스트된 지식 포인트들 및 상기 질문-응답 단계들에 대응하는 질문 스타일들에 따라 상기 사용자에 의해 요구된 질문들을 생성하도록 구성된 생성 모듈
을 포함하는, 정보 처리 장치. - 제15항에 있어서, 상기 획득 모듈은:
상기 학습될 지식 포인트에 따라 상기 질문들에 대한 지식 그래프 내 상기 타겟 노드의 위치를 결정하고;
상기 질문들에 대한 지식 그래프 내 상기 타겟 노드의 위치 및 지정된 경로 길이 범위에 따라 시작 노드 및 종단 노드를 결정하고;
상기 시작 노드로부터 상기 종단 노드까지 상기 타겟 노드를 통과하는 상기 노드 경로를 획득
하도록 추가로 구성되는, 정보 처리 장치. - 제16항에 있어서, 상기 획득 모듈은:
상기 질문들에 대한 지식 그래프로부터, 상기 학습될 지식 포인트가 속한 지식 포인트 카테고리에 속하는 노드들을 획득하고;
상기 지식 포인트 카테고리에 속하는 상기 노드들에 기초하여 상기 질문들에 대한 지식 그래프 내 상기 타겟 노드 및 상기 타겟 노드의 위치를 결정
하도록 추가로 구성되는, 정보 처리 장치. - 제15항에 있어서, 상기 생성 모듈은:
상기 노드 경로 상의 각각의 노드에 의해 표시된 상기 질문-응답 단계들에 대응하는 상기 질문 스타일들을 조합하여 적어도 하나의 질문 스타일 조합을 획득하고;
상기 적어도 하나의 질문 스타일 조합의 모든 질문 스타일 조합에 따라 상기 노드 경로 상의 노드들에 의해 표시된 상기 질문-응답 단계들과 상기 질문-응답 단계들에서 테스트된 상기 지식 포인트들을 조합하여 상기 사용자에 의해 요구된 상기 질문들을 생성
하도록 추가로 구성되는, 정보 처리 장치. - 제18항에 있어서, 상기 노드 경로 상의 노드들에 의해 표시된 상기 질문-응답 단계들은 퍼지-처리되며; 상기 생성 모듈은:
모든 질문 스타일 조합에 따라 상기 노드 경로 상의 노드들에 의해 표시된 상기 질문-응답 단계들과 상기 질문-응답 단계들에서 테스트된 상기 지식 포인트들을 조합하여 완료될 질문들을 생성하고;
사전 설정된 구체화 규칙에 따라 상기 완료될 질문들에서 질문-응답 단계들을 구체화하여 상기 사용자에 의해 요구된 상기 질문들을 생성
하도록 추가로 구성되는, 정보 처리 장치. - 제15항에 있어서, 상기 질문들을 생성하기 위한 요청은 질문 난이도를 더 포함하고; 상기 질문들에 대한 지식 그래프 내 상기 노드들은 상기 질문-응답 단계들의 난이도들을 추가로 표시하며; 상기 생성 모듈은:
상기 노드 경로 상의 노드들에 의해 표시된 상기 질문-응답 단계들, 상기 질문-응답 단계들에서 테스트된 지식 포인트들 및 상기 질문-응답 단계들에 대응하는 질문 스타일들에 따라 질문 후보들을 생성하고;
상기 노드 경로 상의 노드들에 의해 표시된 상기 질문-응답 단계들의 상기 난이도들에 따라 상기 질문 후보들의 난이도들을 결정하고;
상기 질문 후보들로부터, 상기 질문 난이도 및 상기 질문 후보들의 상기 난이도들에 따라 상기 사용자에 의해 요구된 상기 질문들을 선택
하도록 추가로 구성되는, 정보 처리 장치. - 제15항 내지 제20항 중 어느 한 항에 있어서, 상기 질문들에 대한 지식 그래프 내 상기 노드들이 상기 질문-응답 단계들, 상기 질문-응답 단계들에서 테스트된 상기 지식 포인트들 및 상기 질문-응답 단계들에 대응하는 상기 질문 스타일들을 나타내는 방식은: 상기 노드들의 입력 속성들, 출력 속성들, 프로세스 속성들, 지식 포인트 속성들 및 질문 스타일 속성들이 각기 상기 질문-응답 단계들의 입력들, 상기 질문-응답 단계들의 출력들, 상기 질문-응답 단계들의 프로세스들, 상기 질문-응답 단계들에서 테스트된 상기 지식 포인트들 및 상기 질문-응답 단계들에 대응하는 상기 질문 스타일들에 대응하는 것을 포함하는, 정보 처리 장치.
- 정보 처리 장치로서,
기존 질문들의 질문-응답 단계들을 노드들로 파싱하도록 구성된 파싱 모듈 - 상기 노드들은 상기 질문-응답 단계들, 상기 질문-응답 단계들에서 테스트된 지식 포인트들 및 상기 질문-응답 단계들에 대응하는 질문 스타일들을 나타냄 -; 및
상기 노드들 간의 연결 관계들을 마킹하여 질문들에 대한 지식 그래프를 생성하도록 구성된 마킹 모듈
을 포함하는, 정보 처리 장치. - 제22항에 있어서,
상기 노드들에 대해 병합 프로세스를 수행하여 동일한 질문-응답 단계들을 표시하는 노드들을 하나의 노드로 병합하도록 구성된 병합 모듈을 더 포함하는, 정보 처리 장치. - 제23항에 있어서, 상기 병합 모듈은:
퍼지 규칙에 따라 상기 노드들에 의해 표시된 상기 질문-응답 단계들을 퍼지-처리하여 퍼지 질문-응답 단계들을 획득하고;
동일한 퍼지 질문-응답 단계들을 표시하는 노드들을 하나의 노드로 병합 - 상기 병합된 노드는 동일한 퍼지 질문-응답 단계들을 표시함 - 하도록 추가로 구성되는, 정보 처리 장치. - 제22항에 있어서, 상기 마킹 모듈은:
임의의 두 개의 노드의 경우, 상기 두 개의 노드 중 제1 노드에 의해 표시된 질문-응답 단계의 출력이 상기 두 개의 노드 중 제2 노드에 의해 표시된 질문-응답 단계의 입력과 동일한지를 결정하고;
상기 결정 결과가 긍정이면, 상기 제1 노드와 상기 제2 노드가 연결된 것으로 마킹하고;
상기 결정 결과가 부정이면, 상기 제1 노드와 상기 제2 노드가 연결되지 않은 것으로 마킹
하도록 추가로 구성되는, 정보 처리 장치. - 제22항에 있어서, 상기 파싱 모듈은:
상기 질문-응답 단계들의 입력들, 상기 질문-응답 단계들의 출력들, 상기 질문-응답 단계들의 프로세스들, 상기 질문-응답 단계들에서 테스트된 상기 지식 포인트들, 상기 질문-응답 단계들에 대응하는 상기 질문 스타일들을 각기 상기 노드들의 입력 속성들, 출력 속성들, 프로세스 속성들, 지식 포인트 속성들 및 질문 스타일 속성들로 파싱하도록 추가로 구성되는, 정보 처리 장치. - 제26항에 있어서, 상기 파싱 모듈은:
상기 질문-응답 단계들의 난이도들을 상기 노드들의 난이도 속성들로 파싱하도록 추가로 구성되는, 정보 처리 장치. - 제22항 내지 제27항 중 어느 한 항에 있어서,
상기 노드들이 속한 지식 포인트 카테고리들을 결정하기 위해, 상기 노드들에 의해 표시된 상기 질문-응답 단계들에서 테스트된 상기 지식 포인트들에 따라 상기 노드들을 군집화하도록 구성된 군집화 모듈을 더 포함하는, 정보 처리 장치.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510509563.8A CN106469169A (zh) | 2015-08-19 | 2015-08-19 | 信息处理方法及装置 |
CN201510509563.8 | 2015-08-19 | ||
PCT/CN2016/094324 WO2017028723A1 (zh) | 2015-08-19 | 2016-08-10 | 信息处理方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20180041200A true KR20180041200A (ko) | 2018-04-23 |
Family
ID=58050709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020187007519A KR20180041200A (ko) | 2015-08-19 | 2016-08-10 | 정보 처리 방법 및 장치 |
Country Status (6)
Country | Link |
---|---|
US (1) | US10579654B2 (ko) |
JP (1) | JP2018532140A (ko) |
KR (1) | KR20180041200A (ko) |
CN (1) | CN106469169A (ko) |
SG (1) | SG11201801335SA (ko) |
WO (1) | WO2017028723A1 (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102234850B1 (ko) * | 2019-11-15 | 2021-04-02 | 숭실대학교산학협력단 | 릴레이션 네트워크에 기반한 지식 보완 방법 및 장치 |
Families Citing this family (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679124B (zh) * | 2017-09-21 | 2020-10-27 | 北京航空航天大学 | 一种基于动态规划算法的知识图谱中文问答检索方法 |
CN110019731A (zh) * | 2017-12-25 | 2019-07-16 | 上海智臻智能网络科技股份有限公司 | 智能交互方法、装置、终端设备及存储介质 |
CN110209773A (zh) * | 2017-12-21 | 2019-09-06 | 上海智臻智能网络科技股份有限公司 | 一种基于问答系统的问答装置 |
CN110019723A (zh) * | 2017-12-21 | 2019-07-16 | 上海智臻智能网络科技股份有限公司 | 基于问答系统的问答方法、终端设备及存储介质 |
CN108053130A (zh) * | 2017-12-25 | 2018-05-18 | 郑州威科姆科技股份有限公司 | 一种多媒体教学分析系统及分析方法 |
CN110110089B (zh) * | 2018-01-09 | 2021-03-30 | 网智天元科技集团股份有限公司 | 文化关系图生成方法和系统 |
CN108898170B (zh) * | 2018-06-19 | 2022-02-01 | 江苏中盈高科智能信息股份有限公司 | 一种基于模糊聚类分析的智能组卷方法 |
CN109189867B (zh) * | 2018-10-23 | 2021-09-17 | 中山大学 | 基于公司知识图谱的关系发现方法、装置及存储介质 |
CN109271504B (zh) * | 2018-11-07 | 2021-06-25 | 爱因互动科技发展(北京)有限公司 | 基于知识图谱的推理对话的方法 |
CN109739958A (zh) * | 2018-11-22 | 2019-05-10 | 普强信息技术(北京)有限公司 | 一种说明书手册问答方法及系统 |
CN109783647B (zh) * | 2018-12-21 | 2023-06-13 | 武汉思路富邦工程咨询有限公司 | 智能学习模型的构建方法 |
CN109829041B (zh) * | 2018-12-25 | 2021-06-29 | 出门问问信息科技有限公司 | 问题处理方法、装置、计算机设备及计算机可读存储介质 |
CN109857874A (zh) * | 2019-03-12 | 2019-06-07 | 广东小天才科技有限公司 | 一种基于知识图谱的用户答案的推荐方法和装置 |
CN110109828A (zh) * | 2019-04-15 | 2019-08-09 | 深圳壹账通智能科技有限公司 | 问答接口测试方法、装置、计算机设备和存储介质 |
CN110489563B (zh) * | 2019-07-22 | 2022-08-23 | 北京百度网讯科技有限公司 | 图结构的表示方法、装置、设备及计算机可读存储介质 |
CN110659311B (zh) * | 2019-09-30 | 2021-11-16 | 浙江学海教育科技有限公司 | 题目推送方法、装置、电子设备及存储介质 |
CN110750601A (zh) * | 2019-10-16 | 2020-02-04 | 北京网众共创科技有限公司 | 基于连接通路的交互方法、装置、存储介质及电子装置 |
US11487820B2 (en) * | 2020-03-31 | 2022-11-01 | International Business Machines Corporation | Dynamic natural question generation via semantic knowledge representation |
CN111506721B (zh) * | 2020-04-22 | 2022-10-11 | 福州大学 | 一种面向领域知识图谱的问答系统及构建方法 |
CN111611367B (zh) * | 2020-05-21 | 2023-04-28 | 拾音智能科技有限公司 | 一种引入外部知识的视觉问答方法 |
CN111723855A (zh) * | 2020-06-09 | 2020-09-29 | 广东小天才科技有限公司 | 一种学习知识点的显示方法、终端设备及存储介质 |
CN112115276B (zh) * | 2020-09-18 | 2024-05-24 | 平安科技(深圳)有限公司 | 基于知识图谱的智能客服方法、装置、设备及存储介质 |
CN112328766B (zh) * | 2020-11-10 | 2022-05-03 | 四川长虹电器股份有限公司 | 一种基于路径搜索的知识图谱问答方法和装置 |
US20220237548A1 (en) * | 2021-01-28 | 2022-07-28 | Right-Hand Cyber Security Pte. Ltd. | Gamified real-time artificial intelligence based individualized adaptive learning |
CN113486196B (zh) * | 2021-09-08 | 2022-01-28 | 江西风向标教育科技有限公司 | 一种基于教学思维的物理知识点智能识别方法及装置 |
CN114153961B (zh) * | 2022-02-07 | 2022-05-06 | 杭州远传新业科技有限公司 | 一种基于知识图谱的问答方法及系统 |
CN117573985B (zh) * | 2024-01-16 | 2024-04-05 | 四川航天职业技术学院(四川航天高级技工学校) | 一种应用于智能化在线教育系统的信息推送方法及系统 |
Family Cites Families (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002023604A (ja) * | 2000-07-06 | 2002-01-23 | Japan Science & Technology Corp | 教育方法、教育プログラムを記録した記録媒体、教育装置、教育用データを記録した記録媒体 |
JP2005164943A (ja) * | 2003-12-02 | 2005-06-23 | Mighty Voice:Kk | 学習支援プログラム、学習支援方法、学習支援装置及び記録媒体 |
JP5067367B2 (ja) * | 2006-05-22 | 2012-11-07 | 日本電気株式会社 | 情報提供システム、情報提供方法及び情報提供用プログラム |
US9336527B2 (en) | 2008-02-20 | 2016-05-10 | Purplecomm, Inc. | Collaborative website presence |
US8442984B1 (en) | 2008-03-31 | 2013-05-14 | Google Inc. | Website quality signal generation |
JP5382698B2 (ja) * | 2008-12-02 | 2014-01-08 | 国立大学法人北見工業大学 | 自動演習システム及び自動演習プログラム |
US20100241488A1 (en) | 2009-03-23 | 2010-09-23 | Alan Jacobson | Educational website |
US20100273138A1 (en) * | 2009-04-28 | 2010-10-28 | Philip Glenny Edmonds | Apparatus and method for automatic generation of personalized learning and diagnostic exercises |
JP2011081275A (ja) * | 2009-10-09 | 2011-04-21 | Hideaki Yasuda | 知識ネット可視化システムおよび知識ネット可視化方法ならびにそのプログラム |
US20110125734A1 (en) | 2009-11-23 | 2011-05-26 | International Business Machines Corporation | Questions and answers generation |
US20140220540A1 (en) * | 2011-08-23 | 2014-08-07 | Knowledge Factor, Inc. | System and Method for Adaptive Knowledge Assessment and Learning Using Dopamine Weighted Feedback |
US20130252221A1 (en) | 2012-01-17 | 2013-09-26 | Alibaba.Com Limited | Question generation and presentation |
CN103218356B (zh) | 2012-01-18 | 2017-12-08 | 深圳市世纪光速信息技术有限公司 | 一种面向开放平台的提问质量判定方法和系统 |
CN102663910B (zh) | 2012-03-14 | 2014-12-10 | 北京邮电大学 | 一种基于分层遗传算法的网上考试系统自动选题方法 |
US20140052659A1 (en) * | 2012-08-14 | 2014-02-20 | Accenture Global Services Limited | Learning management |
CN103870463B (zh) * | 2012-12-10 | 2018-02-23 | 中国电信股份有限公司 | 测试题目的选择方法与系统 |
CN103150938A (zh) | 2013-03-14 | 2013-06-12 | 南京信息工程大学 | 一种自动出题方法 |
CN104216913B (zh) | 2013-06-04 | 2019-01-04 | Sap欧洲公司 | 问题回答方法、系统和计算机可读介质 |
US20150004588A1 (en) * | 2013-06-28 | 2015-01-01 | William Marsh Rice University | Test Size Reduction via Sparse Factor Analysis |
CN103473224B (zh) * | 2013-09-30 | 2016-06-22 | 成都景弘智能科技有限公司 | 基于问题求解过程的习题语义化方法 |
US20150235160A1 (en) | 2014-02-20 | 2015-08-20 | Xerox Corporation | Generating gold questions for crowdsourcing |
US9830556B2 (en) | 2014-05-21 | 2017-11-28 | Excalibur Ip, Llc | Synthetic question formulation |
US20150004585A1 (en) * | 2014-06-09 | 2015-01-01 | Aniruddha Das | Method and Apparatus for the Dynamic Generation of Scientific Problems from a Primary Problem Definition |
US9633309B2 (en) | 2014-06-19 | 2017-04-25 | International Business Machines Corporation | Displaying quality of question being asked a question answering system |
JP6414956B2 (ja) | 2014-08-21 | 2018-10-31 | 国立研究開発法人情報通信研究機構 | 質問文生成装置及びコンピュータプログラム |
CN104462228B (zh) | 2014-11-13 | 2019-01-29 | 中国信息安全测评中心 | 基于语义的注册信息安全人员认证能力测评方法及系统 |
CN104574241A (zh) * | 2015-02-03 | 2015-04-29 | 陈飞鸣 | 一种在线教育测评系统及测评方法 |
US10366107B2 (en) | 2015-02-06 | 2019-07-30 | International Business Machines Corporation | Categorizing questions in a question answering system |
US9875296B2 (en) | 2015-03-25 | 2018-01-23 | Google Llc | Information extraction from question and answer websites |
US9471668B1 (en) | 2016-01-21 | 2016-10-18 | International Business Machines Corporation | Question-answering system |
-
2015
- 2015-08-19 CN CN201510509563.8A patent/CN106469169A/zh active Pending
-
2016
- 2016-08-10 JP JP2018507021A patent/JP2018532140A/ja active Pending
- 2016-08-10 WO PCT/CN2016/094324 patent/WO2017028723A1/zh active Application Filing
- 2016-08-10 SG SG11201801335SA patent/SG11201801335SA/en unknown
- 2016-08-10 KR KR1020187007519A patent/KR20180041200A/ko active IP Right Grant
- 2016-08-10 US US15/752,939 patent/US10579654B2/en active Active
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102234850B1 (ko) * | 2019-11-15 | 2021-04-02 | 숭실대학교산학협력단 | 릴레이션 네트워크에 기반한 지식 보완 방법 및 장치 |
WO2021096009A1 (ko) * | 2019-11-15 | 2021-05-20 | 숭실대학교산학협력단 | 릴레이션 네트워크에 기반한 지식 보완 방법 및 장치 |
Also Published As
Publication number | Publication date |
---|---|
JP2018532140A (ja) | 2018-11-01 |
WO2017028723A1 (zh) | 2017-02-23 |
CN106469169A (zh) | 2017-03-01 |
US10579654B2 (en) | 2020-03-03 |
SG11201801335SA (en) | 2018-03-28 |
US20180246952A1 (en) | 2018-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20180041200A (ko) | 정보 처리 방법 및 장치 | |
CN110188168B (zh) | 语义关系识别方法和装置 | |
CN106844368B (zh) | 用于人机对话的方法、神经网络系统和用户设备 | |
CN109960810B (zh) | 一种实体对齐方法及装置 | |
CN110609902A (zh) | 一种基于融合知识图谱的文本处理方法及装置 | |
CN111966793A (zh) | 基于知识图谱的智慧问答方法、系统和知识图谱更新系统 | |
CN109002499B (zh) | 学科相关性知识点库构建方法及其系统 | |
CN104933171B (zh) | 兴趣点数据关联方法和装置 | |
CN113515589B (zh) | 数据推荐方法、装置、设备以及介质 | |
CN109582933A (zh) | 一种确定文本新颖度的方法及相关装置 | |
CN111090765B (zh) | 一种基于缺失多模态哈希的社交图像检索方法及系统 | |
CN114911915A (zh) | 一种基于知识图谱的问答搜索方法、系统、设备和介质 | |
CN113761124B (zh) | 文本编码模型的训练方法、信息检索方法及设备 | |
CN117194778A (zh) | 基于属性图数据的预测规则生成方法、装置、设备及介质 | |
CN117131176A (zh) | 交互式问答处理方法、装置、电子设备和存储介质 | |
CN109582802B (zh) | 一种实体嵌入方法、装置、介质及设备 | |
US9984684B1 (en) | Inducing command inputs from high precision and high recall data | |
WO2023173550A1 (zh) | 一种跨领域数据推荐方法、装置、计算机设备及介质 | |
CN113886535B (zh) | 基于知识图谱的问答方法、装置、存储介质及电子设备 | |
CN113407806B (zh) | 网络结构搜索方法、装置、设备及计算机可读存储介质 | |
CN115757720A (zh) | 基于知识图谱的项目信息搜索方法、装置、设备和介质 | |
CN114385827A (zh) | 面向会议知识图谱的检索方法 | |
Lemoisson et al. | ViewpointS: capturing formal data and informal contributions into an adaptive knowledge graph | |
CN112988986A (zh) | 人机交互方法、装置与设备 | |
CN113139037B (zh) | 文本处理方法、装置、设备以及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right |