基于深度学习的数学解题器的处理方法及系统技术方案

本申请提供一种基于深度学习的数学解题器的处理方法及系统，由于几何解题器和代数解题器中的解题模型都是利用神经网络训练得到的，因此可以根据用户输入的搜索问题从几何解题器和代数解题器中选择一个作为目标解题器，将该搜索问题输入至该目标解题器的解题模型中进行解题处理，得到解题结果输出给用户查看。这种方式无需存储题库，并且可以针对各种几何和代数问题进行智能求解，求解速率和准确度得到有效提高。度得到有效提高。度得到有效提高。

【技术实现步骤摘要】
基于深度学习的数学解题器的处理方法及系统


[0001]本申请涉及数据处理
，尤其涉及一种基于深度学习的数学解题器的处理方法及系统。

技术介绍

[0002]随着互联网web 2.0、云计算的技术的发展、题库的不断完善和智能手机移动端的快速发展和普及，一些搜题平台软件兴起。这些搜题平台有的是上传题目文件，有的是输入题目，有的是拍照搜题。这些软件与教育平台相联系，配合mooc的形式，可以视为线下教育在互联网上的简单扩展。
[0003]目前大多数的教育平台与软件都是将题目与本平台数据库内的题库进行匹配，如果找到原题，就将题目和解析输出；如果没有原题就将相似的题目和解析输出。因此大部分同学在使用这些平台时可能都遇到过这种情况，当在搜一道题的时候，平台会给输出一个完全无关的题目和解析，这会为带来相当的不便。这是因为当前大多数的教育平台都是在自己的题库内进行题目比对，而不是对题目分析生成答案，这就导致了题库中没有的题目无论搜索多少次都不会得到需要的答案。

技术实现思路

[0004]有鉴于此，本申请的目的在于提出一种基于深度学习的数学解题器的处理方法及系统用以解决或部分解决上述技术问题。
[0005]基于上述目的，本申请第一方面提供了一种基于深度学习的数学解题器的处理方法，所述数学解题器包括几何解题器和代数解题器；
[0006]所述处理方法包括：
[0007]接收搜索题目类型，根据所述题目类型从所述数学解题器的几何解题器和代数解题器中确定目标解题器；
[0008]接收搜索问题，对所述搜索问题进行预处理得到题目信息，将所述题目信息输入至所述目标解题器中，通过所述目标解题器中的解题模型对所述题目信息进行解题处理，得到解题结果，其中，所述解题模型是神经网络经过解题样本进行训练获得的；
[0009]将所述解题结果进行输出。
[0010]基于同一个专利技术构思，本申请的第二方面提出一种解题处理系统，包括：
[0011]用户层，被配置为接收搜索题目类型，以及展示解题结果；
[0012]功能逻辑层，被配置为根据所述题目类型从所述数学解题器的几何解题器和代数解题器中确定目标解题器，并接收搜索问题，以及将解题结果反馈至用户层；
[0013]功能执行层，包括几何解题器和代数解题器，被配置为对所述搜索问题进行预处理得到题目信息，将所述题目信息输入至所述目标解题器中，通过所述目标解题器中的解题模型对所述题目信息进行解题处理，得到解题结果，将解题结果反馈至所述功能执行层；其中，所述解题模型是神经网络经过解题样本进行训练获得的；
[0014]存储计算层，被配置为存储几何解题器和代数解题器所需的数据集，以供几何解题器和代数解题器在进行解题处理时，从所述数据集中调取相应的数据进行解题处理。
[0015]从上面所述可以看出，本申请提供的基于深度学习的数学解题器的处理方法及系统，由于几何解题器和代数解题器中的解题模型都是利用神经网络训练得到的，因此可以根据用户输入的搜索问题从几何解题器和代数解题器中选择一个作为目标解题器，将该搜索问题输入至该目标解题器的解题模型中进行解题处理，得到解题结果输出给用户查看。这种方式无需存储题库，并且可以针对各种几何和代数问题进行智能求解，求解速率和准确度得到有效提高。
附图说明
[0016]为了更清楚地说明本申请或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，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，还可以根据这些附图获得其他的附图。
[0017]图1为本申请实施例的基于深度学习的数学解题器的处理方法的流程图；
[0018]图2
‑
A为本申请实施例的系统用例图；
[0019]图2
‑
B为本申请实施例的几何问题解题器模型的输入输出示意图；
[0020]图2
‑
C为本申请实施例的代数问题解题器模型的示意图；
[0021]图2
‑
D为本申请实施例的通过句子单词数说明了问题分布的示意图；
[0022]图2
‑
E为本申请实施例的元素集合P和符号集合S的示意图；
[0023]图2
‑
F为本申请实施例的图的编码器的流程示意图；
[0024]图2
‑
G为本申请实施例的决策树的编码器的示例图；
[0025]图3
‑
A为本申请实施例的解题处理系统的结构示意图；
[0026]图3
‑
B为本申请实施例的用户在使用子系统过程中的整个业务流程示意图；
[0027]图3
‑
C为本申请实施例的几何解题器的一些故障示例；
[0028]图4为本申请实施例的电子设备的结构示意图。
具体实施方式
[0029]为使本申请的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本申请进一步详细说明。
[0030]需要说明的是，除非另外定义，本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
[0031]基于
技术介绍
的描述，开发出可以对几何题目和代数题目进行解析并生成求解过
程的教育平台是很有意义的。
[0032]本申请的主要以先验的方法，将题目分析得到的形式语言，运用相关的几何和代数定理，逐步进行符号推理直至预测出最终的答案。这与一般的解题的过程极为相似，根据学过的定理，将得到的题目信息代入公式，得到答案，这也是采用先验方法来进行研究的原因。
[0033]本申请的实施例提出的基于深度学习的数学解题器的处理方法，应用于解题器子系统，在解题器子系统中设有数学解题器，所述数学解题器包括几何解题器和代数解题器。
[0034]如图1所示，所述处理方法包括：
[0035]步骤101，接收搜索题目类型，根据所述题目类型从所述数学解题器的几何解题器和代数解题器中确定目标解题器。
[0036]具体实施时，用户可以在终端设备中安装解题器子系统的软件程序，这样用户就可以通过终端设备的显示屏输入对应的搜索题目类型，例如，几何类或代数类。对于几何类的题目类型调取几何解题器，对于代数类的调取代数解题器。
[0037]步骤10本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的数学解题器的处理方法，其特征在于，所述数学解题器包括几何解题器和代数解题器；所述处理方法包括：接收搜索题目类型，根据所述题目类型从所述数学解题器的几何解题器和代数解题器中确定目标解题器；接收搜索问题，对所述搜索问题进行预处理得到题目信息，将所述题目信息输入至所述目标解题器中，通过所述目标解题器中的解题模型对所述题目信息进行解题处理，得到解题结果，其中，所述解题模型是神经网络经过解题样本进行训练获得的；将所述解题结果进行输出。2.根据权利要求1所述的方法，其特征在于，所述几何解题器包括：神经网络经过几何解题样本训练得到的几何解题模型；所述接收搜索问题，对所述搜索问题进行预处理得到题目信息，将所述题目信息输入至所述目标解题器中，通过所述目标解题器中的解题模型对所述题目信息进行解题处理，得到解题结果，包括：响应于确定所述目标解题器为几何解题器，接收所述搜索问题，提取所述搜索问题中的图片元素信息和文本元素信息，其中，图片元素信息和文本元素信息作为所述题目信息；将所述图片元素信息和所述文本元素信息，以及确定的公理定理集合输入至所述几何解题器中，通过几何解题模型进行几何解题处理，得到解题过程序列，将所述解题过程序列作为所述解题结果。3.根据权利要求2所述的方法，其特征在于，所述几何解题模型的确定过程包括：获取几何问题数据集Geometry3K，其中，所述几何问题数据集中包括多个几何问题样本；利用所述几何问题数据集Geometry3K对预先构建的深度神经网络进行学习训练，通过定理预测器构建与所述几何问题数据集对应的最优解定理序列；利用预测器预测当前序列的下一个定理序列，根据预测的定理序列确定优化负对数似然损失，进而根据所述负对数似然损失对所述深度神经网络进行参数调整，完成训练得到所述几何解题模型。4.根据权利要求2或3所述的方法，其特征在于，所述将所述图片元素信息和所述文本元素信息，以及确定的公理定理集合输入至所述几何解题器中，通过几何解题模型进行几何解题处理，得到解题过程序列，将所述解题过程序列作为所述解题结果，包括：所述搜索问题进行元组划分后，元组中包括：图片元素信息和所述文本元素信息和数值格式；将所述元组中的文本元素信息通过深层神经网络模型进行文本转换得到所述几何问题文本的文字部分，将所述元组中的图片元素信息进行识别处理，并基于识别结果进行关系构建得到关系集合R；对所述关系集合R使用定理搜索策略进行搜索，确定找出最优解序列，根据所述最优解序列确定几何答案和几何解题过程作为所述解题结果。5.根据权利要求4所述的方法，其特征在于，所述将所述元组中的文本元素信息通过深层神经网络模型进行文本转换得到所述几何问题文本的文字部分，将所述元组中的图片元
素信息进行识别处理，并基于识别结果进行关系构建得到关系集合R，包括：通过深层神经网络将所述元组中的文本元素信息的单词转换为谓词和变量，将所述谓词和变量构成文本序列；对所述元组中的图片元素信息提取几何元素得到元素集合P；通过强对象检测器提取所述几何元素中的图标符号以及文本区域，通过光学字符识别工具识别所述文本区域中的文本信息，得到符号集合S；确定所述符号集合S中的每个符号S
i
和元素集合P中与S
i
对应的几何元素p
j
的几何关系数据F，对每个S
i
和p
j
进行关联，关联算法公式为：其中，dist为S
i
和p
j
之间的欧几里得距离，i为符号S
i
在符号集合中的排序，j为几何元素p
j

【专利技术属性】
技术研发人员：陈源龙，曲智圣，李全龙，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：