TWI437453B - 教案編輯的動態資源推薦方法以及其教案編輯系統 - Google Patents
教案編輯的動態資源推薦方法以及其教案編輯系統 Download PDFInfo
- Publication number
- TWI437453B TWI437453B TW100138806A TW100138806A TWI437453B TW I437453 B TWI437453 B TW I437453B TW 100138806 A TW100138806 A TW 100138806A TW 100138806 A TW100138806 A TW 100138806A TW I437453 B TWI437453 B TW I437453B
- Authority
- TW
- Taiwan
- Prior art keywords
- knowledge domain
- keywords
- keyword
- resources
- sequence
- Prior art date
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
本發明係有關於動態資源推薦技術,且特別有關於教案編輯的動態資源推薦技術。
當教師在編輯教案時,通常會利用教案的關鍵字搜尋可能與此教案相關的資料,例如在搜尋引擎中輸入教案的關鍵字可以檢索到許多與關鍵字相關的網路資料,但是通常檢索到的網路資料相當龐大,使得教師無法判斷哪些資料是重要的。以下說明將習知的檢索方法運用於教案編輯時可能會遇到的問題。
協同式資訊過濾技術的主要精神在於建立使用者設定檔(user profile)。使用者設定檔除了記錄每一個使用者在所設定主題的檢索結果外,還記錄使用者的個人背景、知識、興趣等。協同式資訊過濾技術找出一群具有共同興趣的使用者,並利用共同的使用者設定檔進行資訊推薦,然而協同式資訊過濾技術需要建立大量的使用者設定檔,因此運用於教案編輯時無法即時推薦資訊也無法推薦跨知識領域的資訊。
文字檢索技術是一種用於資訊檢索與資訊探勘的常用加權技術,其藉由評估一字詞對於一個文件集或一個語料庫其中一份文件的重要程度來推薦資訊。但是文字檢索技術需要建立大量的訓練資料,無法即時推薦資訊也無法推薦跨知識領域的資訊。
分群技術係從大量的資料中找出資料分佈的狀況,並發現資料中所隱藏的意義,然而分群技術需要預先將全部資料下載完之後才進行計算,無法即時推薦資料。
個人化網頁搜尋技術透過語意網絡進行關鍵字擴充,並與使用者瀏覽興趣做比對,以使搜尋結果更加精準,但是個人化網頁搜尋技術同樣需要大量的訓練資料,並且需要與使用者設定檔整合,因此無法即時推薦資料也無法推薦跨知識領域的資料。
綜上所述,將習知的檢索方法運用在教案編輯時可能無法讓教師有效且快速地判斷出哪些資源是重要的,也可能無法即時取得相關的資源,更有可能無法取得跨知識領域的相關資源。
有鑑於此,本發明提供一種教案編輯的動態資源推薦方法,其能在編輯教案的當下動態地推薦相關資源,並能藉由所推薦的相關資料延伸連結至其他跨領域且高度相關的資料,使得在編輯教案的同時,立即獲得與教案高度相關且整合跨領域的資料。
本發明之一實施例提供一種教案編輯的動態資源推薦方法,包括:從正在編輯的一教案中即時擷取複數個關鍵字;計算每個該等關鍵字之間的相關度距離;根據該等相關度距離從該等關鍵字選取N個關鍵字以形成一關鍵字序列,其中N為一正整數;計算該關鍵字序列與第一複數個知識領域目錄中的第二複數個知識領域目錄之每一者的特徵關鍵字序列之間的相似度;根據該等相似度,從該第二複數個知識領域目錄中決定與該關鍵字序列相關的至少一個知識領域目錄;以及推薦該至少一個知識領域目錄內的資源。
本發明另一實施例提供一種教案編輯系統,包括:一使用者介面模組,接收正在編輯的一教案;一關鍵字擷取模組,從該教案中即時擷取複數個關鍵字;一關鍵字序列產生模組,計算每個該等關鍵字之間的相關度距離,並根據該等相關度距離從該等關鍵字選取N個關鍵字以形成一關鍵字序列,其中N為一正整數;一比對模組,計算該關鍵字序列與第一複數個知識領域目錄中的第二複數個知識領域目錄之每一者的特徵關鍵字序列之間的相似度;以及一推薦模組,根據該等相似度,從該第二複數個知識領域目錄中決定與該關鍵字序列相關的至少一個知識領域目錄,並推薦該至少一個知識領域目錄內的資源。
以下說明為本發明的實施例。其目的是要舉例說明本發明一般性的原則,不應視為本發明之限制,本發明之範圍當以申請專利範圍所界定者為準。
[以搜尋引擎為基礎的相關度距離]
本發明之核心在於以搜尋引擎為基礎,計算關鍵字之間的相關度距離。第1a圖所示為依據本發明之實施例計算相關度距離的示意圖。關鍵字A與關鍵字B之間的相關度距離D
(A
,B)
係根據以下公式計算:
其中R
為一搜尋引擎的總資源數目,r A
為利用該搜尋引擎檢索該關鍵字A所得到的資源數目,r B
為利用該搜尋引擎檢索該關鍵字B所得到的資源數目。由此公式亦可得出關鍵字序列之連結強度,若相關度距離D
(A
,B
)越小,則關鍵字A與關鍵字B之間的相關度越高,即關鍵字A與關鍵字B之間的連結強度也越大。根據上述相關度距離可以建立關鍵字之間的連結以形成一資料結構。
第1b圖所示為依據本發明之關鍵字資料結構10的示意圖。關鍵字資料結構10係根據上述公式1之相關度建立。在關鍵字資料結構10中,關鍵字之間以根據公式1計算而得的相關度距離連結,並以該相關度距離作為連結關係的權重。如上所述,相關度距離越小,則關鍵字之間的相關度越高。因此,藉由此種關鍵字資料結構可以得知一關鍵字是否與其他關鍵字相關,也可藉由相關度距離得知關鍵字之間的相關程度高低。舉例而言,從關鍵字資料結構10中可以得知關鍵字C與關鍵字A、D、E相關,若相關度距離的大小關係為D
(C
,D
)>D
(A
,C
)>D
(C
,E
),則可以得知關鍵字C與關鍵字E之間的相關程度最高。
[關鍵字序列]
第2圖所示為依據本發明之實施例擷取關鍵字序列的示意圖。以上述關鍵字資料結構為基礎,則可以從關鍵字資料結構中,擷取由當中數個關鍵字形成的具有代表性的關鍵字序列。舉例而言,從一文件資料中擷取出關鍵字m0
~mn
,例如關鍵字m0
~mn
可根據字詞在文件中的使用頻率等方法擷取,關鍵字m0
~mn
可以用來代表文件資料。例如,可以從關鍵字m0
~mn
得知文件資料的內容,並以此來分類文件資料。但是,若以全部的關鍵字作為文件資料的代表,則資料過於龐大且運算不易,因此本發明根據上述之相關度距離以及關鍵字資料結構,從所有的關鍵字中選出數個關鍵字以形成最具有代表性的關鍵字序列。如上所述,首先根據公式1計算關鍵字m0
~mn
之間的相關度距離,並根據相關度距離建立關鍵字之間的連結關係,形成關鍵字資料結構20。
第2圖中所示之關鍵字資料結構22本質上與關鍵字資料結構20相同,僅改變關鍵字m0
~mn
的排列方式。關鍵字序列的擷取是根據關鍵字m0
~mn
之間的相關程度(連結強度),從關鍵字m0
~mn
中選出連結強度最強的關鍵字序列代表所有關鍵字m0
~mn
,亦即代表文件資料。參考關鍵字資料結構22,當擷取關鍵字序列時,由關鍵字m0
出發,透過關鍵字與關鍵字之間的相關度距離,去尋找連結強度最強的下一個節點。舉例而言,在尋找關鍵字m0
的下一個節點時,會根據關鍵字之間的相關度距離,比較m0
經過m1
至m2
(m0
→m1
→m2
)的連結強度與直接由m0
連結至m2
(m0
→m2
)的連結強度,也就是檢查在關鍵字m0
與關鍵字m2
之間插入關鍵字m1
會不會增加整體的語意強度。若m0
→m1
→m2
的連結強度比m0
→m2
的連結強度強,則m0
→m1
→m2
比起m0
→m2
更能表達文件資料的語意,例如若D
(m 0
,m 1
)+D
(m 1
,m 2
)小於D
(m 1
,m 2
),則m0
→m1
→m2
的連結強度比m0
→m2
的連結強度強,因此選擇m0
→m1
→m2
。接著,再比較m0
→m1
→m2
→m3
的連結強度與m0
→m3
的連結強度,決定要選擇m0
→m1
→m2
→m3
或m0
→m3
,然後不斷往下個關鍵字比較下去,最後選定一關鍵字序列,例如m0
→m1
→m2
→mn
,以代表文件資料,也就是說,關鍵字序列m0
→m1
→m2
→mn
的連結強度是關鍵字m0
~mn
所有可能的關鍵字序列中最大的。因此,關鍵字序列m0
→m1
→m2
→mn
是用來代表文件資料內容的特徵。在大多數的情況下,關鍵字序列長度為4即足夠代表文件資料。
[知識領域目錄樹狀結構]
另外,藉由上述以搜尋引擎為基礎的相關度距離,可以建立知識領域目錄之間的連結關係,並形成知識網格形式的知識領域目錄樹狀結構。舉例而言,現在有「地球」、「生命」、「地理」、「天氣」、「植物」、「動物」、「鳥類」、「魚類」以及「哺乳類」的知識領域目錄,首先根據公式1計算每個知識領域目錄之間的相關度(以知識領域目錄的名稱為關鍵字),然後根據每個知識領域目錄之間的相關度,決定是否建立其之間的連結關係,例如若二個知識領域目錄之間的相關度距離小於一預設值,則可建立之間的連結關係,反之則否。接著,再根據條件機率決定知識領域目錄之間的連結關係的從屬關係。舉例而言,現有知識領域目錄X與知識領域目錄Y,若根據公式1決定建立知識領域目錄X與知識領域目錄Y之間的連接關係。接著,再以下列公式,計算X在Y條件下的條件機率P
(X
→Y
)以及Y在X條件下的條件機率P
(Y
→X
):
;以及
其中f
(X
)為以知識領域目錄X之名稱為關鍵字藉由一搜尋引擎(例如)搜尋所得到的搜尋結果數目,f
(Y
)為以知識領域目錄Y之名稱為關鍵字,藉由上述搜尋引擎搜尋所得到的搜尋結果數目,而f
(X,Y
)為同時以知識領域目錄X之名稱為關鍵字以及知識領域目錄Y之名稱為關鍵字,藉由上述搜尋引擎搜尋所得到的搜尋結果數目。若P
(X
→Y
)的值大於P
(Y
→X
)的值,則可以推論知識領域目錄X包含知識領域目錄Y,也就是知識領域目錄X為父節點,而知識領域目錄Y為子節點。
藉由上列所述之方法,可以建立一知識網格形式的知識領域目錄樹狀結構,如第3圖中知識領域目錄樹狀結構30所示。藉由此知識領域目錄樹狀結構30,可以很快速地查詢某一知識領域目錄是否與其他知識領域目錄相關連。另外,知識領域目錄樹狀結構可隨著資源的增加而動態擴展。
[知識領域目錄的特徵關鍵字序列]
類似於上述[關鍵字序列],本發明對於每個知識領域目錄皆指派一特徵關鍵字序列,以代表每個知識領域目錄。以知識領域目錄「地理」為例,從「地理」目錄下的所有文件資料取得關鍵字mg0
~mgn
,再以上述從關鍵字m0
~mn
中擷取關鍵字序列的方式,從關鍵字mg0
~mgn
中擷取最具代表性的關鍵字序列以作為「地理」目錄的特徵關鍵字序列。
[關鍵字序列比對]
如上所述,本發明從一文件資料中取得一關鍵字序列,而各知識領域目錄也有其特徵關鍵字序列,因此藉由比對文件的關鍵字序列與各知識領域目錄的特徵關鍵字序列,可以得知該文件與哪個知識領域目錄最有關連。亦即,藉由計算文件的關鍵字序列與各知識領域目錄的特徵關鍵字序列之間的相似度,可以得知該文件可被分類至哪個知識領域目錄。第4a圖所示為依據本發明實施例之關鍵字序列比對的示意圖。第4b圖所示為根據本發明實施例之知識領域目錄樹狀結構KDT(Knowledge Domain Tree)的示意圖。其中,第4a圖所示之序列S為文件資料P的關鍵字序列,而序列SKD1
~SKDn
分別為知識領域目錄KD1~KDn的特徵關鍵字序列,第4b圖所示之知識領域目錄KD1~KDn,為知識領域目錄樹狀結構KDT第二層的目錄。
在本發明一實施例中,序列之間的相似度係以搜尋引擎為基礎進行計算。舉例而言,參考第4a圖,若要比較序列S分別與序列SKD1
~SKDn
之間的相似度SM1~SMn,首先分別以序列S的每個關鍵字加上序列SKD1
~SKDn
其中一序列的每個關鍵字進行檢索,例如以(m1
+m2
+...+mn
)+(m11
+...+m1n
)進行檢索,其中m1
~mn
為序列S的關鍵字,m11
~m1n
為序列SKD1
的關鍵字。若序列S與序列SKD1
的相似度越高,則以(m1
+...+mn
)+(m11
+m12
+...+m1n
)進行檢索的檢索結果的遞減率越低。以為例,若序列S與序列SKD1
的相似度很高,則以(m1
+m2
+...+mn
)+(m11
+...+m1n
)進行檢索所得到的獨立網頁數會足夠多,但若序列S與序列SKD1
的相似度很低,則以(m1
+m2
+...+mn
)+(m11
+...+m1n
)進行檢索所得到的獨立網頁數不多。
[資源分類]
在建立好知識領域目錄樹狀結構之後,可進行資源分類,並將不同知識領域的資源分配至其所屬的知識領域目錄。在本發明中若現在接收到一新資源U,首先如上列[關鍵字序列]所述,取得資源U的關鍵字序列,再藉由如上列[關鍵字序列比對]所述,分別比對資源U的關鍵字序列,與知識領域目錄樹狀結構KDT中,所有知識領域目錄的特徵關鍵字序列的相似度,找出相似度最大的一個特徵關鍵字序列,並將文件資料U分類至相似度最大之特徵關鍵字序列所對應的知識領域目錄。例如若資源U的關鍵字序列與特徵關鍵字序列SKD2
的相似度最大,則資源U被分類至知識領域目錄KD2。
[教案編輯的動態資源推薦方法]
第5圖所示為依據本發明實施例之教案編輯的動態資源推薦方法50的流程圖。
在步驟S501中,從正在編輯的教案中即時擷取關鍵字m0
~mn
。在步驟S502中,根據上述公式1計算關鍵字m0
~mn
之間的相關度距離。在步驟S503中,如上列[關鍵字序列]所述,根據相關度距離,從中選取N個關鍵字以形成關鍵字序列S,其中N為一正整數。
接著在步驟S504中,如上列[關鍵字序列比對]所述,計算關鍵字序列S與知識領域目錄KD1~KDn的特徵關鍵字序列SKD1
~SKDn
之間的相似度SM1~SMn。例如第4b圖中所示,知識領域目錄KD1~KDn為知識領域目錄樹狀結構KDT之第二層的知識領域目錄,也就是主目錄KD底下的次目錄。在本實施例中,本發明比對關鍵字序列S與第二層的知識領域目錄的特徵關鍵字序列之間的相似度,但在其他實施例中,本發明也可比對不只一層的知識領域目錄的特徵關鍵字序列。
在步驟S505中,根據相似度SM1~SMn,選擇與關鍵字序列S相關的至少一個知識領域目錄。例如若SM1為相似度SM1~SMn中最大的相似度,則選擇知識領域目錄KD1。須注意的是,所選擇的知識領域目錄並不限於一個,也可以選擇相似度最大和次大的知識領域目錄。
在步驟S506中,推薦該至少一個知識領域目錄內的資源,例如推薦知識領域目錄KD1的資源,使編輯教案的編輯者可以存取知識領域目錄KD1的資源。
除此之外,在步驟S507中,也會根據知識領域目錄KD1在知識領域目錄樹狀結構KDT中的位置與連結關係,推薦與知識領域目錄KD1相關的其他知識領域目錄。例如根據第4b圖之知識領域目錄樹狀結構KDT,可以得知知識領域目錄KD1與次知識領域目錄KD11、KD12以及KD21相關,則也會推薦次知識領域目錄KD11、KD12以及KD21的資源,甚至更延伸出去的其他目錄的資源。知識領域目錄樹狀結構KDT的建立係根據上列[知識領域目錄樹狀結構]所述,根據上述公式1計算每個知識領域目錄之間的相關度距離,再根據相關度距離以及條件機率建立知識領域目錄之間的連結。
接著在經過一段時間T後,於步驟S508中確認教案是否編輯完畢,若未編輯完畢,則回到步驟S501擷取關鍵字,繼續資源推薦。其中時間T可由使用者設定一固定時間,因此在教師編輯教案的同時,每經過時間T就會自動擷取目前教案中的關鍵字來進行資源推薦,隨著教案編寫內容的不同,本方法可以即時對應目前的教案編寫內容進行動態資源推薦,因此教師不用等到全部的教案都編寫完成再進行資源搜索。除此之外,本發明也可配置為當使用者需要資源推薦時,藉由點擊使用者介面上的一按鈕即可觸發步驟S501之後的步驟。
第6圖所示為依據本發明實施例之教案編輯系統60的示意圖。
教案編輯系統60包括使用者介面模組610、關鍵字擷取模組620、關鍵字序列產生模組630、比對模組640、知識分類模組650、推薦模組660以及儲存裝置670。其中模組610~660可為執行相關功能的處理器。或者,模組610~660整體可為包含程式碼之實體媒體,如軟碟、光碟片、硬碟、或是任何其他電子設備或機器可讀取(如電腦可讀取)儲存媒體,當程式碼被機器,如電腦載入且執行時,此機器變成用以參與本發明之裝置或系統。
依據本發明之一實施例,使用者介面模組610接收正在編輯的一教案,例如使用者介面模組610可與教案編輯軟體例如Word或Power Point等統合在一起。關鍵字擷取模組620從該教案中即時擷取複數個關鍵字。關鍵字序列產生模組630如上列步驟S503所述產生一關鍵字序列。知識分類模組650儲存知識領域目錄樹狀結構KDT,知識領域目錄樹狀結構KDT中的每個知識領域目錄所對應的資源儲存於儲存裝置670中,知識分類模組650依據知識領域目錄樹狀結構KDT預先對儲存於儲存裝置670的資源672進行分類,另外知識分類模組650可透過網路680存取網路資源682,並依據知識領域目錄樹狀結構KDT對所存取的網路資源進行分類。
比對模組640如步驟S504所述,計算關鍵字序列與知識領域目錄的特徵關鍵字序列之間的相似度。推薦模組660如上列步驟S505至步驟S507中所述,根據相似度並透過使用者介面模組610,將與關鍵字序列相關的至少一個知識領域目錄下的資源推薦給編輯者,並根據該至少一個知識領域目錄與知識領域目錄樹狀結構KDT,推薦與該至少一個知識領域目錄相關的其他知識領域目錄下的資源。
綜上所述,本發明能在編輯教案的當下根據目前已編輯的內容動態推薦相關資源,並能藉由所推薦的相關資源延伸連結至其他跨領域且高度相關的資源,使得在編輯教案的同時,可以即時獲得與教案高度相關且整合跨領域的資源。
本發明之方法,或特定型態或其部份,可以以程式碼的型態存在。程式碼可以包含於實體媒體,如軟碟、光碟片、硬碟、或是任何其他電子設備或機器可讀取(如電腦可讀取)儲存媒體,亦或不限於外在形式之電腦程式產品,其中,當程式碼被機器,如電腦載入且執行時,此機器變成用以參與本發明之裝置或系統,且可執行本發明之方法步驟。程式碼也可以透過一些傳送媒體,如電線或電纜、光纖、或是任何傳輸型態進行傳送,其中,當程式碼被電子設備或機器,如電腦接收、載入且執行時,此機器變成用以參與本發明之系統或裝置。當在一般用途處理單元實作時,程式碼結合處理單元提供一操作類似於應用特定邏輯電路之獨特裝置。
以上所述為本發明實施例的概述特徵,所屬技術領域中具有通常知識者應可以輕而易舉地利用本發明為基礎,設計或調整以實行相同的目的和/或達成與此處介紹的實施例相同的優點。所屬技術領域中具有通常知識者也應了解相同的配置不應背離本創作的精神與範圍。在不背離本創作的精神與範圍下,他們可做出各種改變、取代和交替。說明性的方法僅表示示範性的步驟,但這些步驟並不一定要以本發明實施例所表示的順序執行。可另外加入、取代、改變順序和/或消除步驟以視情況而作調整,並與所揭露的實施例精神和範圍一致。
10、20、22...關鍵字資料結構
50...教案編輯的動態資源推薦方法
60...教案編輯系統
610...使用者介面模組
620...關鍵字擷取模組
630...關鍵字序列產生模組
640...比對模組
650...知識分類模組
660...推薦模組
670...儲存裝置
KD1~KDn...知識領域目錄
KDT...知識領域目錄樹狀結構
m0
~mn
、m11
~m1n
、m21
~m2n
、...mn1
~mnn
...關鍵字
P...文件資料
S...關鍵字序列
SKD1
~SKDn
...特徵關鍵字序列
S501、S502、S503...S508...步驟
SM1~SMn...相似度
第1a圖所示為依據本發明之實施例計算相關度距離的示意圖;
第1b圖所示為依據本發明之關鍵字資料結構10的示意圖;
第2圖所示為依據本發明之實施例擷取關鍵字序列的示意圖;
第3圖所示為依據本發明實施例之知識領域目錄樹狀結構的示意圖;
第4a圖所示為依據本發明實施例之關鍵字序列比對的示意圖;
第4b圖所示為根據本發明實施例之知識領域目錄樹狀結構的示意圖;
第5圖所示為依據本發明實施例之教案編輯的動態資源推薦方法的流程圖;
第6圖所示為依據本發明實施例之教案編輯系統的示意圖。
S501、S502、S503...S508...步驟
Claims (16)
- 一種教案編輯的動態資源推薦方法,包括:從正在編輯的一教案中即時擷取複數個關鍵字;計算每個該等關鍵字之間的相關度距離;根據該等相關度距離從該等關鍵字選取N個關鍵字以形成一關鍵字序列,其中N為一正整數;計算該關鍵字序列與第一複數個知識領域目錄中的第二複數個知識領域目錄之每一者的特徵關鍵字序列之間的相似度;根據該等相似度,從該第二複數個知識領域目錄中決定與該關鍵字序列相關的至少一知識領域目錄;以及推薦該至少一知識領域目錄內的資源。
- 如申請專利範圍第1項所述之教案編輯的動態資源推薦方法,更包括依據下列公式計算每個該等關鍵字之間的相關度距離及連結強度:
- 如申請專利範圍第2項所述之教案編輯的動態資源推薦方法,更包括:以該第一複數個知識領域目錄的名稱為關鍵字,根據該公式計算每個該第一複數個知識領域目錄之間的相關度距離;以及根據每個該第一複數個知識領域目錄之間的相關度距離建立該第一複數個知識領域目錄之間的連結關係。
- 如申請專利範圍第3項所述之教案編輯的動態資源推薦方法,更包括:根據該第一複數個知識領域目錄之間的連結關係,找出與該至少一個知識領域目錄相關的該第一複數個知識領域目錄中的第三複數個知識領域目錄;以及推薦該第三複數個知識領域目錄內的資源。
- 如申請專利範圍第2項所述之教案編輯的動態資源推薦方法,其中該關鍵字序列之連結強度比其他任意一個由該等關鍵字中N個關鍵字所構成的關鍵字序列大。
- 如申請專利範圍第5項所述之教案編輯的動態資源推薦方法,其中N為不大於4的一正整數。
- 如申請專利範圍第3項所述之教案編輯的動態資源推薦方法,更包括:從每個該第一複數個知識領域目錄內的資源擷取複數個關鍵字;根據該公式計算每個該等關鍵字之間的相關度距離;以及根據該等相關度距離從該等關鍵字選取M個關鍵字以形成每個該第一複數個知識領域目錄的特徵關鍵字序列,其中M為一正整數。
- 如申請專利範圍第7項所述之教案編輯的動態資源推薦方法,更包括:接收複數個資源;從每個該等資源中擷取複數個資源關鍵字;根據該公式計算每個該等資源關鍵字之間的相關度距離;根據該等相關度距離決定每個該等資源的特徵關鍵字序列;計算每個該等資源的特徵關鍵字序列與每個該第一複數個知識領域目錄的特徵關鍵字序列之間的相似度;以及根據該等相似度,將每個該等資源分類至相似度最大的知識領域目錄中。
- 一種教案編輯系統,包括:一使用者介面模組,接收正在編輯的一教案;一關鍵字擷取模組,從該教案中即時擷取複數個關鍵字;一關鍵字序列產生模組,計算每個該等關鍵字之間的相關度距離,並根據該等相關度距離從該等關鍵字選取N個關鍵字以形成一關鍵字序列,其中N為一正整數;一比對模組,計算該關鍵字序列與第一複數個知識領域目錄中的第二複數個知識領域目錄之每一者的特徵關鍵字序列之間的相似度;以及一推薦模組,根據該等相似度,從該第二複數個知識領域目錄中決定與該關鍵字序列相關的至少一個知識領域目錄,並推薦該至少一個知識領域目錄內的資源。
- 如申請專利範圍第9項所述之教案編輯系統,其中每個該等關鍵字之間的相關度距離及連結強度係根據以下公式計算:
- 如申請專利範圍第10項所述之教案編輯系統,其中對於該第一複數個知識領域目錄,以該第一複數個知識領域目錄的名稱為關鍵字,根據該公式計算每個該第一複數個知識領域目錄之間的相關度距離,並根據每個該第一複數個知識領域目錄之間的相關度距離,建立該第一複數個知識領域目錄之間的連結關係。
- 如申請專利範圍第11項所述之教案編輯系統,其中該推薦模組更根據該第一複數個知識領域目錄之間的連結關係,找出與該至少一個知識領域目錄相關的該第一複數個知識領域目錄中的第三複數個知識領域目錄,並推薦該第三複數個知識領域目錄內的資源。
- 如申請專利範圍第10項所述之教案編輯系統,其中該關鍵字序列之連結強度比其他任意一個由該等關鍵字中N個關鍵字所構成的關鍵字序列大。
- 如申請專利範圍第13項所述之教案編輯系統,其中N為不大於4的一正整數。
- 如申請專利範圍第11項所述之教案編輯系統,其中對於每個該第一複數個知識領域目錄,從每個該第一複數個知識領域目錄內的資源擷取複數個關鍵字,根據該公式計算每個該等關鍵字之間的相關度距離,並根據該等相關度距離從該等關鍵字選取M個關鍵字以形成每個該第一複數個知識領域目錄的特徵關鍵字序列,其中M為一正整數。
- 如申請專利範圍第15項所述之教案編輯系統,更包括:一知識分類模組,接收複數個資源,從每個該等資源中擷取複數個資源關鍵字,根據該公式計算每個該等資源關鍵字之間的相關度距離,根據該等相關度距離決定每個該等資源的特徵關鍵字序列,計算每個該等資源的特徵關鍵字序列與每個該第一複數個知識領域目錄的特徵關鍵字序列之間的相似度,再根據該等相似度,將每個該等資源分類至相似度最大的知識領域目錄中。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW100138806A TWI437453B (zh) | 2011-10-26 | 2011-10-26 | 教案編輯的動態資源推薦方法以及其教案編輯系統 |
CN201210326009.2A CN103177053B (zh) | 2011-10-26 | 2012-09-05 | 教案编辑的动态资源推荐方法以及其教案编辑系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW100138806A TWI437453B (zh) | 2011-10-26 | 2011-10-26 | 教案編輯的動態資源推薦方法以及其教案編輯系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201317812A TW201317812A (zh) | 2013-05-01 |
TWI437453B true TWI437453B (zh) | 2014-05-11 |
Family
ID=48636933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW100138806A TWI437453B (zh) | 2011-10-26 | 2011-10-26 | 教案編輯的動態資源推薦方法以及其教案編輯系統 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN103177053B (zh) |
TW (1) | TWI437453B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021312A (zh) * | 2016-05-05 | 2016-10-12 | 北京爱提分博乐教育科技有限公司 | 一种在线组教案的试题排序方法 |
CN109191953A (zh) * | 2018-11-12 | 2019-01-11 | 重庆靶向科技发展有限公司 | 一种智能化教学系统及方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6032145A (en) * | 1998-04-10 | 2000-02-29 | Requisite Technology, Inc. | Method and system for database manipulation |
US20060287986A1 (en) * | 2005-06-21 | 2006-12-21 | W.W. Grainger, Inc. | System and method for facilitating use of a selection guide |
CN100433018C (zh) * | 2007-03-13 | 2008-11-12 | 白云 | 电子文档与某一领域相关程度的判别方法及其应用 |
CN101216853B (zh) * | 2008-01-11 | 2010-12-29 | 孟小峰 | 一种智能Web查询接口系统及其方法 |
-
2011
- 2011-10-26 TW TW100138806A patent/TWI437453B/zh active
-
2012
- 2012-09-05 CN CN201210326009.2A patent/CN103177053B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN103177053A (zh) | 2013-06-26 |
CN103177053B (zh) | 2016-10-05 |
TW201317812A (zh) | 2013-05-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kong et al. | Academic social networks: Modeling, analysis, mining and applications | |
Szomszor et al. | Semantic modelling of user interests based on cross-folksonomy analysis | |
CN104933164B (zh) | 互联网海量数据中命名实体间关系提取方法及其系统 | |
US10146862B2 (en) | Context-based metadata generation and automatic annotation of electronic media in a computer network | |
CN105706078B (zh) | 实体集合的自动定义 | |
KR101166130B1 (ko) | 컨텐츠 태그를 이용하여 사용자 프로파일을 구성하는 방법및 장치, 그리고 생성된 사용자 프로파일을 이용하여컨텐츠를 추천하는 방법 | |
KR102444712B1 (ko) | 다중-모달리티 특징 융합을 통한 퍼스널 미디어 자동 재창작 시스템 및 그 동작 방법 | |
CN108280114B (zh) | 一种基于深度学习的用户文献阅读兴趣分析方法 | |
Fabbri et al. | Tutorialbank: A manually-collected corpus for prerequisite chains, survey extraction and resource recommendation | |
CN107908650B (zh) | 基于海量数字图书的知识脉络自动构建方法 | |
Sundaram et al. | Multimedia semantics: Interactions between content and community | |
JP2010170529A (ja) | オブジェクト分類方法およびオブジェクト分類システム | |
CN110968782A (zh) | 一种面向学者的用户画像构建及应用方法 | |
WO2015051481A1 (en) | Determining collection membership in a data graph | |
US9230210B2 (en) | Information processing apparatus and method for obtaining a knowledge item based on relation information and an attribute of the relation | |
Seyler et al. | An information retrieval framework for contextual suggestion based on heterogeneous information network embeddings | |
TWI437453B (zh) | 教案編輯的動態資源推薦方法以及其教案編輯系統 | |
CN104765752B (zh) | 基于用户模型演进的推荐装置和方法 | |
KR20160120583A (ko) | 지식 관리 시스템 및 이의 지식 구조 기반의 자료 관리 방법 | |
Nethra et al. | WEB CONTENT EXTRACTION USING HYBRID APPROACH. | |
Ahad et al. | Navigation through citation network based on content similarity using cosine similarity algorithm | |
JP2014102625A (ja) | 情報検索システム、プログラム、および方法 | |
Jones et al. | Towards place-based exploration of Instagram: Using co-design to develop an interdisciplinary geovisualization prototype | |
Oramas | Harvesting and structuring social data in music information retrieval | |
Xu et al. | Academic Expert Finding via $(k,\mathcal {P}) $-Core based Embedding over Heterogeneous Graphs |