一种基于教材知识图谱的智能命题方法、系统、命题终端及存储介质技术方案

本发明专利技术提供一种基于教材知识图谱的智能命题方法、系统、命题终端及存储介质，属于教育与评测领域，S1：依据电子教材结构特点抽取章、节、段落标题结构化实体信息；S2：根据电子教材的各科目内容特点选取对应的专业词汇识别方式；S3：以结构化的标题信息和专业词汇信息构建知识图谱，节点类型包括章、节、段落、知识点、专业词汇；S4：以嵌入表示知识图谱节点，嵌入表示方法包括基于图结构和文本语义；S5：根据科目特点由专家制定试题生成规则，规则自学习后再结合实体的嵌入表示及图谱的结构自动生成试题。本发明专利技术能够根据电子教材及参考专家经验自动化的生成与教材内容相关的、更具解释性的多类型试题。多类型试题。多类型试题。

【技术实现步骤摘要】
一种基于教材知识图谱的智能命题方法、系统、命题终端及存储介质


[0001]本专利技术属于教育与评测领域，尤其涉及一种基于教材知识图谱的智能命题方法、系统、命题终端及存储介质。

技术介绍

[0002]目前的命题的方法四种形式是原命题、逆命题、否命题和逆否命题，命题（判断）是指一个判断句的语义（实际表达的概念），命题不是指判断句本身，而是指所表达的语义。比如，原命题和逆命题可以表示为一个命题的题设和结论分别是另一个命题的结论和题设，则这样的两个命题互称为原命题和逆命题。而否命题：对于两个命题，若其中一个命题的条件和结论分别是另一个命题的条件的否定和结论的否定，则这两个命题互为否命题。
[0003]以上的命题方式主要依赖于人工设计和审核，存在主观性、重复性、效率低下等问题，而智能命题则可以通过机器学习、自然语言处理等技术，实现自动化命题、智能化评分等功能，提高命题效率和准确性，同时也可以满足不同学生的需求，提供个性化的学习体验。
[0004]而随着人工智能技术的发展和应用，以及教育领域对高效、精准、个性化教学的需求不断增加，智能命题作为一种新型的命题方式应运而生。
[0005]现有技术中，深度学习、知识图谱和自然语言处理技术的突破与广泛应用驱动了人工智能的实质进步,实现了基于深度学习的试题自动化生成，但是生成的试题质量好坏不可控且不具备可解释性，影响了深度学习在命题过程中的应用。

技术实现思路

[0006]本专利技术提供一种基于教材知识图谱的智能命题方法，方法是为了实现能够根据电子教材及参考专家经验自动化的生成与教材内容相关的、更具解释性的多类型试题。
[0007]方法包括：S1：依据电子教材结构特点抽取章、节、段落标题结构化实体信息；S2：根据电子教材的各科目内容特点选取对应的专业词汇识别方式；S3：以结构化的标题信息和专业词汇信息构建知识图谱，知识图谱的节点类型包括章、节、段落、知识点、专业词汇；S4：以嵌入表示知识图谱的节点类型，嵌入表示包括基于图结构和文本语义；S5：根据科目特点由专家制定试题生成规则，规则自学习后再结合实体的嵌入表示及图谱的结构自动生成试题。
[0008]进一步需要说明的是，步骤S1中还涉及对电子教材的自动化解析，具体步骤包括：S11：对章、节、段落标题做预处理，删除其中的特殊字符，将文档内图像建立知识索引并存储；S12、利用正则匹配得到标题内容，对标题标号进行特殊字符替换；
S13、利用特殊字符对教材内容进行切分，层层分析得到标题及对应内容。
[0009]进一步需要说明的是，专业词汇识别方式包括：有监督深度学习方法和无监督深度学习方法。
[0010]进一步需要说明的是，步骤S2中，以有监督的深度学习方法包括如下步骤；根据词汇字典、网络爬虫及教材章、节、知识点信息自动化生成训练、测试数据；通过反向传播算法进行误差传递，利用优化器更新模型参数，完成专业词汇识别模型的训练。
[0011]进一步需要说明的是，步骤S5中所述试题生成规则的制作与自学习包括如下步骤：S51、根据考试大纲要求和考试等级要求，制作试题生成规则；S52、对规则进行自学习并生成模型；S53、利用模型对教材段落内容进行处理，自动化抽取中知识点信息和题干信息；S54、利用图谱节点嵌入表示生成带干扰项的多类型试题。
[0012]本专利技术还提供一种基于教材知识图谱的智能命题系统，系统包括：教材解析模块、专业词汇识别模块、知识图谱构建模块、知识表示学习模块以及试题生成模块；教材解析模块，用于依据电子教材结构特点抽取章、节、段落标题结构化实体信息；专业词汇识别模块，用于根据电子教材的各科目内容特点选取对应的专业词汇识别方式；知识图谱构建模块，用于以结构化的标题信息和专业词汇信息构建知识图谱，知识图谱的节点类型包括章、节、段落、知识点、专业词汇；知识表示学习模块，用于以嵌入表示知识图谱的节点类型，嵌入表示包括基于图结构和文本语义；试题生成模块，用于根据科目特点由专家制定试题生成规则，规则自学习后再结合实体的嵌入表示及图谱的结构自动生成试题。
[0013]本专利技术还提供一种命题终端，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，处理器执行所述程序时实现基于教材知识图谱的智能命题方法的步骤。
[0014]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现基于教材知识图谱的智能命题方法的步骤。
[0015]从以上技术方案可以看出，本专利技术具有以下优点：本专利技术提供的基于教材知识图谱的智能命题方法，可以对电子教材的自动化解析；对电子教材的专业词汇识别，根据各科目内容特点选取对应专业词汇识别，再以结构化的标题信息和专业词汇信息构建知识图谱，知识图谱节点的嵌入表示；试题生成规则的制作与自学习，根据科目特点由专家制定试题生成规则，规则自学习后自动化的生成试题。这样，本专利技术能够根据电子教材及参考专家经验自动化的生成与教材内容相关的、更具解释性的多类型试题。有效解决了生成的试题质量好坏不可控且不具备可解释性的问题。
附图说明
[0016]为了更清楚地说明本专利技术的技术方案，下面将对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专利技术的一些实施例，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为基于教材知识图谱的智能命题方法流程图；图2为本专利技术的专业词汇识别模型结构图；图3为本专利技术的专家知识自学习模型及试题生成结构图；图4为本专利技术实例选项图；图5为基于教材知识图谱的智能命题系统示意图。
具体实施方式
[0018]本专利技术提供的基于教材知识图谱的智能命题方法是为了解决基于深度学习的试题自动化生成的试题质量好坏不可控且不具备可解释性的问题。为了解决这一个问题，本专利技术的智能命题方法可以基于人工智能技术对关联的数据进行获取和处理。本专利技术的智能命题方法可以采用自然语言处理、深度学习、知识图谱、知识表示学习等技术。
[0019]本专利技术提供的智能命题方法中可以采用专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统等硬件，配合自然语言处理技术、机器学习/深度学习技术、知识图谱技术以及程序设计语言。程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。智能命题方法的程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行。这样，本专利技术涉及的基于教材知识图谱的智能命题方法依据教材结构特点抽取章、节、段落等标题结构化实体信息；通过识别电子教材的专业词汇，结合各科目内容特点选取对应专业词汇识别方法，根据科目特点由专家制定试题生成规则，规则自学习后自动化的生成试题。本专利技术能够根据电子教材及参考专家经验自动化的生成与教材内容相关的、更具解释性的多类型试题。进一步有效解决了本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于教材知识图谱的智能命题方法，其特征在于，方法包括：S1：依据电子教材结构特点抽取章、节、段落标题结构化实体信息；S2：根据电子教材的各科目内容特点选取对应的专业词汇识别方式；S3：以结构化的标题信息和专业词汇信息构建知识图谱，知识图谱的节点类型包括章、节、段落、知识点、专业词汇；S4：以嵌入表示知识图谱的节点类型，嵌入表示包括基于图结构和文本语义；S5：根据科目特点由专家制定试题生成规则，规则自学习后再结合实体的嵌入表示及图谱的结构自动生成试题。2.根据权利要求1所述的基于教材知识图谱的智能命题方法，其特征在于，步骤S1中还涉及对电子教材的自动化解析，具体步骤包括：S11：对章、节、段落标题做预处理，删除其中的特殊字符，将文档内图像建立知识索引并存储；S12、利用正则匹配得到标题内容，对标题标号进行特殊字符替换；S13、利用特殊字符对教材内容进行切分，层层分析得到标题及对应内容。3.根据权利要求1所述的基于教材知识图谱的智能命题方法，其特征在于，专业词汇识别方式包括：有监督深度学习方法和无监督深度学习方法。4.根据权利要求3所述的基于教材知识图谱的智能命题方法，其特征在于，步骤S2中，以有监督的深度学习方法包括如下步骤；根据词汇字典、网络爬虫及教材章、节、知识点信息自动化生成训练、测试数据；通过反向传播算法进行误差传递，利用优化器更新模型参数，完成专业词汇识别模型的训练。5.根据权利要求1所述的基于教材知识图谱的智能命题方法，其特征在于，步骤S5中所述试题生成规则的制作与自学习...

【专利技术属性】
技术研发人员：马磊，蒋鹏民，邢金宝，袁峰，肖国亮，
申请(专利权)人：山东山大鸥玛软件股份有限公司，
类型：发明
国别省市：