【技术实现步骤摘要】
人工智能理科图文题解题方法、装置、设备及存储介质
本专利技术涉及人工智能
,尤其涉及一种人工智能理科图文题解题方法、装置、设备及存储介质。
技术介绍
基础教育中理科包括数学、物理、化学三个科目,图文题是指这些科目里用各种自然语言描述和包含图形表示的题目。理科科目的代数型题目是涉及代数关系计算的题目,包括物理代数题、化学代数题、算术题、数学中代数题、平面几何计算题和平面几何证明题等。理科图文题是指这些题目中既涉及代数关系计算又涉及图形关系计算的题目,包含代数型图文题和平面几何证明图文题等。在机器解答基础教育中理科题目方面,机器解答基础教育中数学题多次成为活跃研究问题,在相关领域的技术进步和智能化教育需求的合力推动之下以机器解答基础教育中理科题的形式近年来再次成为了研究热点,一些面向智能化教育服务的几何专家系统、解答系统、在线解答辅导系统等陆续投入实际应用中。目前针对基础教育中理科图文题目的机器解答主要有以下五类技术:1.机器解答算术图文题的双框架方法双框架方法预先建立解题框架和知识框架,在解题时先识别题目的类型,进而根据类型选择对应的解题框架,抽取题目中的知识并放到知识框中。由知识框和解题框一起推断各个框架的关系并计算未知量而形成解答过程。Kinsch等人(1995)提出了自动求解算术图文题的解题理论和双框架解题法,但只能解答一步的算术图文题。马玉慧等人(2012)扩展了Kinsch等人的知识框表示,实现了多步小学数学应用题的机器求解。华盛顿大学的Hosseini等人(2014)采用动词分 ...
【技术保护点】
1.一种人工智能理科图文题解题方法,其特征在于,所述人工智能理科图文题解题方法包括以下步骤:/n获取理科图文题,对所述理科图文题进行识别提取,获得所述理科图文题对应的电子文本和向量化图像;/n通过已训练的分类器对所述电子文本和所述向量化图像进行分类,获得所述理科图文题的类别信息;/n通过分词工具对所述电子文本进行分词和词性标注,根据关键词表对题目内容的关键词进行标注,根据词性和词语到向量的对应表,将词性和词语转化为向量,获得所述电子文本的向量序列;/n根据所述类别信息选取对应的文本模型池和关系子图模型池;/n根据所述文本模型池对所述向量序列进行向量计算匹配,获得所述理科图文题中的直陈关系和/或隐含关系;/n根据所述关系子图模型池对所述向量化图像进行关系子图匹配,获得关系子图,并从所述关系子图中获得所述理科图文题中的图形关系;/n根据所述图形关系、所述理科图文题中的直陈关系和/或隐含关系组成关系组,按照所述类别信息对应的挑选规则从所述关系组中选取一个子集作为题目理解结果;/n对所述题目理解结果进行求解,获得所述理科图文题对应的求解过程。/n
【技术特征摘要】
1.一种人工智能理科图文题解题方法,其特征在于,所述人工智能理科图文题解题方法包括以下步骤:
获取理科图文题,对所述理科图文题进行识别提取,获得所述理科图文题对应的电子文本和向量化图像;
通过已训练的分类器对所述电子文本和所述向量化图像进行分类,获得所述理科图文题的类别信息;
通过分词工具对所述电子文本进行分词和词性标注,根据关键词表对题目内容的关键词进行标注,根据词性和词语到向量的对应表,将词性和词语转化为向量,获得所述电子文本的向量序列;
根据所述类别信息选取对应的文本模型池和关系子图模型池;
根据所述文本模型池对所述向量序列进行向量计算匹配,获得所述理科图文题中的直陈关系和/或隐含关系;
根据所述关系子图模型池对所述向量化图像进行关系子图匹配,获得关系子图,并从所述关系子图中获得所述理科图文题中的图形关系;
根据所述图形关系、所述理科图文题中的直陈关系和/或隐含关系组成关系组,按照所述类别信息对应的挑选规则从所述关系组中选取一个子集作为题目理解结果;
对所述题目理解结果进行求解,获得所述理科图文题对应的求解过程。
2.如权利要求1所述的人工智能理科图文题解题方法,其特征在于,所述文本模型池包括句法语义模型池和隐含关系模型池;
所述获取理科图文题之前,还包括:
获取理科科目里各教学分领域中的所有图文题目,作为图文题目集合;
根据所述图文题目集合中的文本集为各教学分领域构建向量化的句法语义模型池和向量化的隐含关系模型池;
根据所述图文题目集合中的图形集,构建关系子图模型池。
3.如权利要求2所述的人工智能理科图文题解题方法,其特征在于,所述根据所述关系子图模型池对所述向量化图像进行关系子图匹配,获得关系子图,并从所述关系子图中获得所述理科图文题中的图形关系,包括:
根据所述关系子图模型池中的各模型子图生成对应的挖掘过程;
根据各模型子图的挖掘过程对所述向量化图像进行关系子图匹配,获得所述向量化图像对应的关系子图;
从所述关系子图中挖掘图形关系,获得所述理科图文题中的图形关系。
4.如权利要求2所述的人工智能理科图文题解题方法,其特征在于,所述根据所述文本模型池对所述向量序列进行向量计算匹配,获得所述理科图文题中的直陈关系和/或隐含关系,包括:
根据所述句法语义模型池,通过基于嵌入句法语义模型的推理图对所述向量序列计算匹配网络,获得所述理科图文题中的直陈关系;
和/或,
根据所述隐含关系模型池,通过基于嵌入隐含关系模型的推理图对所述向量序列计算匹配网络,获得所述理科图文题中的隐含关系。
5.如权利要求4所述的人工智能理科图文题解题方法,其特征在于,所述根据所述句法语义模型池,通过基于嵌入句法语义模型的推理图对所述向量序列计算匹配网络,获得所述理科图文题中的直陈关系,包括:
将所述向量序列与所述句法语义模型池中向量化的句法语义模型中的每一个词语作为起点,按照所述句法语义模型的匹配规则进行匹配,获得第一匹配置信度和第一关系;
若匹配成功,则记录所述句法语义模型中的实体对应于所述理科图文题中的实体位置,并将所述第一匹配置信度和所述第一关系记录在所述句法语义模型的推理图的下一层节点中,若下一层节点没有空余的节点则淘汰所述第一匹配置信度中最小值对应的匹配;
循环匹配步骤,直到所有的匹配起点和所述句法语义模型池中的所有句法语义模型进行了匹配为止,获得所述理科图文题中的直陈关系;
其中,所述句法语义模型为一个四元组M=(K,P,V,R),K代表关键字元素,P是POS词性和是标点符号的变化模式,V是计算匹配过程,R为相关实体之间的关系;所述句法语义模型池为Σ={...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。