Nothing Special   »   [go: up one dir, main page]

CN111159356A - 基于教学内容的知识图谱构建方法 - Google Patents

基于教学内容的知识图谱构建方法 Download PDF

Info

Publication number
CN111159356A
CN111159356A CN201911410556.7A CN201911410556A CN111159356A CN 111159356 A CN111159356 A CN 111159356A CN 201911410556 A CN201911410556 A CN 201911410556A CN 111159356 A CN111159356 A CN 111159356A
Authority
CN
China
Prior art keywords
teaching
quality
information
content
contents
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.)
Granted
Application number
CN201911410556.7A
Other languages
English (en)
Other versions
CN111159356B (zh
Inventor
刘兵
田佳雯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Hounify Technology Co ltd
Original Assignee
Chongqing Hounify Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing Hounify Technology Co ltd filed Critical Chongqing Hounify Technology Co ltd
Priority to CN201911410556.7A priority Critical patent/CN111159356B/zh
Publication of CN111159356A publication Critical patent/CN111159356A/zh
Application granted granted Critical
Publication of CN111159356B publication Critical patent/CN111159356B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • 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
    • G06F16/30—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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明公开了一种基于教学内容的知识图谱构建方法，包括如下步骤：S1.按照教学科目对教学内容进行分类得到教学科目内容；S2.对教学科目内容进行信息抽取得到抽取信息；S3.采用语义相似度计算方法对抽取信息中的实体进行对齐得到融合信息；S4.判断融合信息中新增教学内容是否符合质量标准；S5.基于判断处理后的融合信息构建知识图谱。本发明的一种基于教学内容的知识图谱构建方法，能够准确高效地对教学内容实体语义进行相似度处理，并能提高教学内容的融合质量。

Description

基于教学内容的知识图谱构建方法
技术领域
本发明涉及知识图谱领域，具体涉及一种基于教学内容的知识图谱构建方法。
背景技术
知识图谱作为人工智能从感知智能向认知智能变迁的核心和基础，已成为各行各业从网络化向智能化转型升级的关键技术之一；目前，对于教育知识图谱这一概念，学术界还没有形成统一的定义，学者们从不同的研究视角对其进行了阐述，现有研究大致可分为以下三大类：(1)从知识组织视角出发，教育知识图谱可看作一种由知识点及其语义联系形成的知识网络图，其表征的教育领域知识既包含个体知识结构，也包含群体的智慧。(2)从学习者认知视角出发，教育知识图谱旨在表达教学过程中涉及的不同元素以及各类具有教育意义的认知关系，在知识图谱的基础上叠加学习者对知识掌握的状态信息，能够形成学习者的认知图式。(3)从知识服务视角出发，教育知识图谱在表征学科知识和知识关系的基础上，能够在大数据、人工智能等技术支持下形成面向知识学习和能力培养的学习路径；教育知识图谱也能够将学科知识与教学资源实体以规范化、形式化的方式进行语义连接，从而实现在线教育资源的有效组织。
目前，针对于上述第一大类的教育知识图谱的研究比较普遍，然而该类研究仅仅是基于对原始数据源的分析抽取，并进行简单的数据处理，最后形成对应数据的知识图谱，并没有对数据进行准确高效的相似度处理以及对数据的融合质量进行有效地提升。
因此，为解决以上问题，需要一种基于教学内容的知识图谱构建方法，能够准确高效地对教学内容实体语义进行相似度处理，并能提高教学内容的融合质量。
发明内容
有鉴于此，本发明的目的是克服现有技术中的缺陷，提供基于教学内容的知识图谱构建方法，能够准确高效地对教学内容实体语义进行相似度处理，并能提高教学内容的融合质量。
本发明的基于教学内容的知识图谱构建方法，包括如下步骤：
S1.按照教学科目对教学内容进行分类得到教学科目内容；
S2.对教学科目内容进行信息抽取得到抽取信息；所述信息抽取包括：实体抽取、关系抽取以及事件抽取；
S3.采用语义相似度计算方法对抽取信息中的实体进行对齐得到融合信息；
S4.判断融合信息中新增教学内容是否符合质量标准，若是，则将新增教学内容保留在融合信息中；若否，则将新增教学内容从融合信息中剔除；
S5.基于判断处理后的融合信息构建知识图谱。
进一步，步骤S2中，所述实体抽取用于抽取教学科目内容中的原子信息元素；所述关系抽取用于抽取教学科目内容中多个不同实体之间的语义关系；所述事件抽取用于判断教学科目内容的类别。
进一步，步骤S3中，根据如下公式确定实体之间语义相似度的计算：
Figure BDA0002349844540000021
其中，pmi(A,B)为实体A与实体B之间的相似度；p(A,B)为实体A与实体B的相关概率；p(A)为实体A出现的概率；p(B)为实体B出现的概率。
进一步，步骤S4中，判断融合信息中新增教学内容是否符合质量标准包括：
S41.建立质量评价模型；所述质量评价模型为：
Figure BDA0002349844540000022
其中，L为质量等级；ki为得到的知识；K为监督语料；m为融合信息中新增教学内容的知识个数；i为标记符号，取值为正整数；
S42.根据质量评价模型计算得到质量等级，对质量等级进行归一化处理，得到质量等级序列Ln；其中，n为等级数目，取值为正整数；
S43.设置质量等级阈值η，判断质量等级序列Ln中新增教学内容对应的质量等级Lj是否大于质量等级阈值η，若是，则该新增教学内容不符合质量标准；若否，则该新增教学内容符合质量标准；其中，j为标记符号，取值为0到n的正整数。
本发明的有益效果是：本发明公开的一种基于教学内容的知识图谱构建方法，通过对教学内容的信息抽取，并对抽取后的信息实体语义进行相似度处理，得到教学内容的融合信息，对融合信息质量进行质量等级处理，最后基于处理后的融合信息构建教学内容的知识图谱，从而得到结构线路清晰、数据分类准确的教学知识图谱。
附图说明
下面结合附图和实施例对本发明作进一步描述：
图1为本发明的方法流程示意图。
具体实施方式
以下结合说明书附图对本发明做出进一步的说明，如图所示：
本发明的基于教学内容的知识图谱构建方法，包括如下步骤：
S1.按照教学科目对教学内容进行分类得到教学科目内容；本实施例中，按照教学科目的不同，对教学内容进行分类，比如教学科目有语文、数学、英文、历史以及地理等，将不同科目的教学内容归为一类，这样就得到多个不同科目的教学科目内容。
S2.对教学科目内容进行信息抽取得到抽取信息；所述信息抽取包括：实体抽取、关系抽取以及事件抽取；
S3.采用语义相似度计算方法对抽取信息中的实体进行对齐得到融合信息；
S4.判断融合信息中新增教学内容是否符合质量标准，若是，则将新增教学内容保留在融合信息中；若否，则将新增教学内容从融合信息中剔除；
S5.基于判断处理后的融合信息构建知识图谱。
本实施例中，步骤S2中，对教学科目内容进行信息抽取，也就进行知识抽取，即需要从不同年级与不同章节的数据源中进行知识提取。知识抽取包括实体抽取、关系抽取以及事件抽取；
所述实体抽用于抽取教学科目内容中的原子信息元素，通常包含术语、定义/概念、时间/日期、所属关系等标签，具体的标签定义可根据任务不同而调整；其中，实体抽取还涉及到实体识别与链接；实体识别即识别出句子或文本中的实体，链接就是将该实体与知识库中的对应实体进行链接。其中，涉及到了实体的识别与消岐技术。
所述关系抽取用于抽取教学科目内容中多个不同实体之间的语义关系；基于机器学习的方法进行关系抽取，具体地，预先定义好关系的类别，人工标注一些数据，为数据设计特征表示，选择一个分类方法对数据进行分类(比如：SVM、NN、朴素贝叶斯等方法)得到分类结果，对分类结果进行评估。
所述事件抽取用于判断教学科目内容的类别，从自然语言中抽取出用户感兴趣的事件信息，并以结构化的形式呈现出来,例如事件发生的时间、地点、发生原因、参与者等。具体地，使用基于动态多池化卷积神经网络的事件抽取方法对教学科目内容进行事件抽取。
本实施例中，步骤S3中，在完成信息抽取后，通过自然语言处理技术根据实体之间的语义相似度对其进行对齐，来消除实体的矛盾和歧义以及冗余率，降低存储空间和构图复杂性。其中，采用如下共性语义相似度计算方法：
Figure BDA0002349844540000041
其中，pmi(A,B)为实体A与实体B之间的相似度；p(A,B)为实体A与实体B的相关概率；p(A)为实体A出现的概率；p(B)为实体B出现的概率。
在概率论中，如果A跟B不相关，则p(A,B)＝p(A)p(B)；如果二者相关性越大，则p(A,B)就相比于p(A)p(B)越大。这里的log来自于信息论的理论，可以简单理解为，当对函数p(x)取log之后就将一个概率转换为了信息量(要再乘以-1将其变为正数)，以2为底时可以简单理解为用多少个bits可以表示这个变量。
本实施例中，步骤S4中，对于经过融合后的新增教学内容，需要经过质量评估，语义相似度检测，才能将合格的部分加入到知识库中，来确保知识库的质量。其中，判断融合信息中新增教学内容是否符合质量标准包括：
S41.建立质量评价模型；所述质量评价模型为：
Figure BDA0002349844540000051
其中，L为质量等级；ki为得到的知识；K为监督语料，该监督预料进行人为设置；m为融合信息中新增教学内容的知识个数；i为标记符号，取值为正整数；
S42.根据质量评价模型计算得到质量等级，对质量等级进行归一化处理，得到质量等级序列Ln，该质量等级序列Ln由多个质量等级值构成；其中，n为等级数目，取值为正整数；
S43.设置质量等级阈值η(一般将η设置为0.8)，判断质量等级序列Ln中新增教学内容对应的质量等级Lj是否大于质量等级阈值η，若是，则该新增教学内容不符合质量标准；若否，则该新增教学内容符合质量标准；其中，j为标记符号，取值为0到n的正整数。
通过上述判断处理，将符合质量标准的新增教学内容进行保留，而将不符合质量标准的新增教学内容从融合信息集合中剔除。从而使得整个知识库更加层次化。
本实施例中，步骤S5中，当教学信息融合完后，按照步骤S2-S4进行类推迭代处理，可以得到更多的教学融合信息，将教学融合信息进行展示得到教学知识图谱，该知识图谱中的每一个知识点的定义以及层级结构的划分和知识链也会得到相应的实现。通过知识图谱将多源异构数据整合，构建出简单易用的学科知识图谱，帮助教师掌握动态、关联的学科信息，有助于因材施教，提高教研效率。为学生提供了结构化与完整化的学习资源，增强了学生的学习兴趣。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种基于教学内容的知识图谱构建方法，其特征在于：包括如下步骤：
S1.按照教学科目对教学内容进行分类得到教学科目内容；
S2.对教学科目内容进行信息抽取得到抽取信息；所述信息抽取包括：实体抽取、关系抽取以及事件抽取；
S3.采用语义相似度计算方法对抽取信息中的实体进行对齐得到融合信息；
S4.判断融合信息中新增教学内容是否符合质量标准，若是，则将新增教学内容保留在融合信息中；若否，则将新增教学内容从融合信息中剔除；
S5.基于判断处理后的融合信息构建知识图谱。
2.根据权利要求1所述的基于教学内容的知识图谱构建方法，其特征在于：步骤S2中，所述实体抽取用于抽取教学科目内容中的原子信息元素；所述关系抽取用于抽取教学科目内容中多个不同实体之间的语义关系；所述事件抽取用于判断教学科目内容的类别。
3.根据权利要求1所述的基于教学内容的知识图谱构建方法，其特征在于：步骤S3中，根据如下公式确定实体之间语义相似度的计算：
Figure FDA0002349844530000011
其中，pmi(A,B)为实体A与实体B之间的相似度；p(A,B)为实体A与实体B的相关概率；p(A)为实体A出现的概率；p(B)为实体B出现的概率。
4.根据权利要求1所述的基于教学内容的知识图谱构建方法，其特征在于：步骤S4中，判断融合信息中新增教学内容是否符合质量标准包括：
S41.建立质量评价模型；所述质量评价模型为：
Figure FDA0002349844530000012
其中，L为质量等级；ki为得到的知识；K为监督语料；m为融合信息中新增教学内容的知识个数；i为标记符号，取值为正整数；
S42.根据质量评价模型计算得到质量等级，对质量等级进行归一化处理，得到质量等级序列Ln；其中，n为等级数目，取值为正整数；
S43.设置质量等级阈值η，判断质量等级序列Ln中新增教学内容对应的质量等级Lj是否大于质量等级阈值η，若是，则该新增教学内容不符合质量标准；若否，则该新增教学内容符合质量标准；其中，j为标记符号，取值为0到n的正整数。
CN201911410556.7A 2019-12-31 2019-12-31 基于教学内容的知识图谱构建方法 Active CN111159356B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911410556.7A CN111159356B (zh) 2019-12-31 2019-12-31 基于教学内容的知识图谱构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911410556.7A CN111159356B (zh) 2019-12-31 2019-12-31 基于教学内容的知识图谱构建方法

Publications (2)

Publication Number Publication Date
CN111159356A true CN111159356A (zh) 2020-05-15
CN111159356B CN111159356B (zh) 2023-06-09

Family

ID=70559939

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911410556.7A Active CN111159356B (zh) 2019-12-31 2019-12-31 基于教学内容的知识图谱构建方法

Country Status (1)

Country Link
CN (1) CN111159356B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111737498A (zh) * 2020-07-06 2020-10-02 成都信息工程大学 一种应用于离散制造业生产过程的领域知识库建立方法
CN112035680A (zh) * 2020-09-15 2020-12-04 重庆广播电视大学重庆工商职业学院 一种智能辅助学习机的知识图谱构建方法
CN112579796A (zh) * 2020-12-30 2021-03-30 南京云起网络科技有限公司 一种在线教育课堂教学资源的知识图谱构建方法
CN113327473A (zh) * 2021-05-26 2021-08-31 武汉理工大学 一种虚拟仿真教学实训系统、控制方法、装置及存储介质
CN113535982A (zh) * 2021-07-27 2021-10-22 南京邮电大学盐城大数据研究院有限公司 一种基于大数据的教学系统
CN114022233A (zh) * 2021-09-27 2022-02-08 南京云创大数据科技股份有限公司 一种新型的商品推荐方法

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070038600A1 (en) * 2005-08-10 2007-02-15 Guha Ramanathan V Detecting spam related and biased contexts for programmable search engines
CN101727903A (zh) * 2008-10-29 2010-06-09 中国科学院自动化研究所 基于多特征和多系统融合的发音质量评估和错误检测方法
CN102945232A (zh) * 2012-11-16 2013-02-27 沈阳雅译网络技术有限公司 面向统计机器翻译的训练语料质量评价及选取方法
US20130198119A1 (en) * 2012-01-09 2013-08-01 DecisionQ Corporation Application of machine learned bayesian networks to detection of anomalies in complex systems
CN104794154A (zh) * 2015-03-11 2015-07-22 南通天呈医流互联网技术有限公司 基于文本挖掘的医疗器械o2o服务质量评价模型
CN105630901A (zh) * 2015-12-21 2016-06-01 清华大学 一种知识图谱表示学习方法
US20170004129A1 (en) * 2015-07-03 2017-01-05 The University Of North Carolina At Charlotte Natural Language Relatedness Tool using Mined Semantic Analysis
CN106909643A (zh) * 2017-02-20 2017-06-30 同济大学 基于知识图谱的社交媒体大数据主题发现方法
CN108509420A (zh) * 2018-03-29 2018-09-07 赵维平 古谱及古文化知识图谱自然语言处理方法
CN108664615A (zh) * 2017-05-12 2018-10-16 华中师范大学 一种面向学科教育资源的知识图谱构建方法
CN109255031A (zh) * 2018-09-20 2019-01-22 苏州友教习亦教育科技有限公司 基于知识图谱的数据处理方法
CN109522545A (zh) * 2018-10-11 2019-03-26 华东师范大学 一种对多轮对话连贯性质量的评估方法
CN109857835A (zh) * 2018-12-28 2019-06-07 北京红山瑞达科技有限公司 一种基于认知诊断理论的自适应网络安全知识测评方法
CN109902298A (zh) * 2019-02-13 2019-06-18 东北师范大学 一种自适应学习系统中领域知识建模及知识水平估测方法
US20190213260A1 (en) * 2018-01-10 2019-07-11 International Business Machines Corporation Machine Learning Modification and Natural Language Processing
CN110188147A (zh) * 2019-05-22 2019-08-30 厦门无常师教育科技有限公司 基于知识图谱的文献实体关系发现方法及系统
CN110263349A (zh) * 2019-03-08 2019-09-20 腾讯科技（深圳）有限公司 语料评估模型训练方法、装置、存储介质和计算机设备
CN110457442A (zh) * 2019-08-09 2019-11-15 国家电网有限公司 面向智能电网客服问答的知识图谱构建方法

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070038600A1 (en) * 2005-08-10 2007-02-15 Guha Ramanathan V Detecting spam related and biased contexts for programmable search engines
CN101727903A (zh) * 2008-10-29 2010-06-09 中国科学院自动化研究所 基于多特征和多系统融合的发音质量评估和错误检测方法
US20130198119A1 (en) * 2012-01-09 2013-08-01 DecisionQ Corporation Application of machine learned bayesian networks to detection of anomalies in complex systems
CN102945232A (zh) * 2012-11-16 2013-02-27 沈阳雅译网络技术有限公司 面向统计机器翻译的训练语料质量评价及选取方法
CN104794154A (zh) * 2015-03-11 2015-07-22 南通天呈医流互联网技术有限公司 基于文本挖掘的医疗器械o2o服务质量评价模型
US20170004129A1 (en) * 2015-07-03 2017-01-05 The University Of North Carolina At Charlotte Natural Language Relatedness Tool using Mined Semantic Analysis
CN105630901A (zh) * 2015-12-21 2016-06-01 清华大学 一种知识图谱表示学习方法
CN106909643A (zh) * 2017-02-20 2017-06-30 同济大学 基于知识图谱的社交媒体大数据主题发现方法
CN108664615A (zh) * 2017-05-12 2018-10-16 华中师范大学 一种面向学科教育资源的知识图谱构建方法
US20190213260A1 (en) * 2018-01-10 2019-07-11 International Business Machines Corporation Machine Learning Modification and Natural Language Processing
CN108509420A (zh) * 2018-03-29 2018-09-07 赵维平 古谱及古文化知识图谱自然语言处理方法
CN109255031A (zh) * 2018-09-20 2019-01-22 苏州友教习亦教育科技有限公司 基于知识图谱的数据处理方法
CN109522545A (zh) * 2018-10-11 2019-03-26 华东师范大学 一种对多轮对话连贯性质量的评估方法
CN109857835A (zh) * 2018-12-28 2019-06-07 北京红山瑞达科技有限公司 一种基于认知诊断理论的自适应网络安全知识测评方法
CN109902298A (zh) * 2019-02-13 2019-06-18 东北师范大学 一种自适应学习系统中领域知识建模及知识水平估测方法
CN110263349A (zh) * 2019-03-08 2019-09-20 腾讯科技（深圳）有限公司 语料评估模型训练方法、装置、存储介质和计算机设备
CN110188147A (zh) * 2019-05-22 2019-08-30 厦门无常师教育科技有限公司 基于知识图谱的文献实体关系发现方法及系统
CN110457442A (zh) * 2019-08-09 2019-11-15 国家电网有限公司 面向智能电网客服问答的知识图谱构建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
REN LIJUAN: "《Multi-source Knowledge Graph》", 《2019 IEEE 3RD INTERNATIONAL CONFERENCE ON CIRCUITS，SYSTEMS AND DEVICES》 *
戈其平: "《基于数学教学的知识图谱构建》", 《计算机技术与发展》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111737498A (zh) * 2020-07-06 2020-10-02 成都信息工程大学 一种应用于离散制造业生产过程的领域知识库建立方法
CN112035680A (zh) * 2020-09-15 2020-12-04 重庆广播电视大学重庆工商职业学院 一种智能辅助学习机的知识图谱构建方法
CN112579796A (zh) * 2020-12-30 2021-03-30 南京云起网络科技有限公司 一种在线教育课堂教学资源的知识图谱构建方法
CN113327473A (zh) * 2021-05-26 2021-08-31 武汉理工大学 一种虚拟仿真教学实训系统、控制方法、装置及存储介质
CN113327473B (zh) * 2021-05-26 2023-02-28 武汉理工大学 一种虚拟仿真教学实训系统、控制方法、装置及存储介质
CN113535982A (zh) * 2021-07-27 2021-10-22 南京邮电大学盐城大数据研究院有限公司 一种基于大数据的教学系统
CN114022233A (zh) * 2021-09-27 2022-02-08 南京云创大数据科技股份有限公司 一种新型的商品推荐方法

Also Published As

Publication number Publication date
CN111159356B (zh) 2023-06-09

Similar Documents

Publication Publication Date Title
CN111159356B (zh) 基于教学内容的知识图谱构建方法
CN107766371B (zh) 一种文本信息分类方法及其装置
CN108182177A (zh) 一种数学试题知识点自动化标注方法和装置
CN113191148B (zh) 一种基于半监督学习和聚类的轨道交通实体识别方法
CN115858758A (zh) 一种多非结构化数据识别的智慧客服知识图谱系统
Nitin et al. Analyzing educational comments for topics and sentiments: A text analytics approach
CN109949637B (zh) 一种客观题目的自动解答方法和装置
CN113886567A (zh) 一种基于知识图谱的教学方法及系统
CN110888943A (zh) 基于微模板的法院裁判文书辅助生成的方法和系统
CN116860978B (zh) 基于知识图谱和大模型的小学语文个性化学习系统
CN110781681B (zh) 一种基于翻译模型的初等数学应用题自动求解方法及系统
CN110888989B (zh) 一种智能学习平台及其构建方法
CN113434688B (zh) 用于舆情分类模型训练的数据处理方法和装置
CN111914550A (zh) 一种面向限定领域的知识图谱更新方法及系统
CN114817454A (zh) 一种结合信息量和BERT-BiLSTM-CRF的NLP知识图谱构建方法
CN111339258A (zh) 基于知识图谱的大学计算机基础习题推荐方法
CN109446522B (zh) 一种试题自动分类系统及方法
CN113869054A (zh) 一种基于深度学习的电力领域项目特征识别方法
CN110457436B (zh) 信息标注方法、装置、计算机可读存储介质及电子设备
CN107203813A (zh) 一种新型缺省实体命名方法及其系统
CN117421226A (zh) 一种基于生成式大语言模型的缺陷报告重构的方法及系统
CN117094390A (zh) 一种面向海洋工程领域的知识图谱构建及智能搜索方法
CN112487183B (zh) 一种标签化的试题知识点分类方法及系统
CN116226371A (zh) 一种数字经济专利分类方法
CN115204179A (zh) 基于电网公共数据模型的实体关系预测的方法及装置

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