System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于机器解答,具体涉及一种基于深度学习的机器解答方法。
技术介绍
1、机器解答是智能教育领域中一个极具挑战的研究问题,其挑战性在于智力工作的机器化。机器解答的目标是构建一套智能解答算法,通过最便利的方式读入题目,经过机器的自动理解和自动求解,输出正确的解答过程和结果。机器解答是提高教育系统智能化程度的一个关键技术,它可以有效地提升学习辅导、自动评卷、自动诊断等功能的智能水平,其研究成果在科研和教育等领域具有重要的应用前景。
2、早期的机器解答研究主要集中于几何题目的自动证明,题目理解和自动求解处于半自动化状态。近年来,随着人工智能技术的快速发展,自动化的、多模态的题目理解和自动求解成为新的研究重点。题目理解是机器解答研究中最为关键的一环,它是从题目提供的所有资料包括文本、图形、图像等描述中提取出用于解题的信息,并输入到自动求解模型进行求解,一个良好的题目理解方法将大大提高机器解答的效率。自动求解是机器解答中的重要组成部分,它是在题目理解的基础上进一步对已获取的信息进行推理和运算,挖掘出隐含的信息,推理出解答过程中的内在逻辑,从而得到解答的过程和结果。
3、机器解答的过程主要可以分为题目理解和自动求解两个方面,自动求解是对题目理解的结果进行自动化的推理和求解从而得到题目的解答过程,它不仅是机器解答方法的一个关键步骤,而且事关机器解答能否更好的辅导学生、服务教学。目前,在机器解答领域中的自动求解方法主要包含以下三类:框架法、搜索推理法和代数法。
4、1)框架法。kintsch最早提出了双
5、2)搜索推理法。搜索推理法主要是通过不断搜索和解题信息匹配的规则来获得达到解题目标的完整推理路径。张景中院士等人首先提出了基于前向推理的搜索法对几何定理进行证明,该方法通过搜索几何定理证明过程中的推理步骤,直到遇到前推不动点,从而形成一套完整的推理路径。在此基础上,pan等人在几何定理机器证明中提出了并行前向推理的方法,jiang等人在多项式等式型几何定理的可读证明中提出了启发式搜索算法,zhong等人在平面几何定理证明中提出了基于本体和规则相结合的搜索推理方法。搜索推理法的优点在于:一是可以产生可读性证明,二是无论能否正确推理出最后的结论,在推理过程中可以产生大量的推理信息,这些信息可用于启发式学习和教学,其缺点在于推理过程中有大量新知识的加入会降低推理的效率。在搜索推理方法的基础上,张景中院士又提出了基于高阶几何不变量推理的消点法,该方法通过使用几何不变量的搜索推理来消除几何命题结论中的构造点,从而实现几何定理的证明。消点法更简短和清晰,可实现可读性证明,而且证明过程中的每一个步骤都有确切的几何意义。
6、3)代数法。早期,吴文俊院士等人提出了一个证明等式型初等几何定理的代数法,该方法被公认为是自动证明领域的里程碑式的突破,使得基于代数法的几何定理自动证明的研究空前活跃起来,其后又出现了几种成功的新方法,如基方法、数值法、例证法等。目前,基于代数法的自动求解过程大多归结为对方程组的自动求解。koncel等人探讨了代数文字题的自动求解问题,提出了将代数文字题解析为方程组的方法。yu等人提出了逐步解答关系组中线性部分的自动求解方法,并通过求解过程的语义恢复而生成可读解题过程的方法。
7、综上,有关自动求解方法的研究仍相对薄弱,然而研究自动求解方法是提升机器解答能力、促进机器解答应用的重要方面。
技术实现思路
1、本专利技术的目的在于提供一种基于深度学习的机器解答方法,用以实现机器解答中自动且快速的自动求解。
2、为此,本专利技术提供了一种基于深度学习的机器解答方法,包括如下步骤:
3、1)获取题目数据,从题目数据中抽取出由题目数据直接得到的直陈关系的特征b1,…,bn,发掘出解答题目数据所必需但题目数据中没有直接表述的隐含关系的特征p1,…,pn,并提取出题目数据所包括的问题数据的特征q;
4、2)将抽取出的直陈关系的特征b1,…,bn、发掘出的隐含关系的特征p1,…,pn以及提取的问题数据的特征q,并输入至构建的改进隐式特征金字塔推理网络模型中,生成对题目数据的求解结果;
5、其中,所述改进隐式特征金字塔推理网络模型用于首先将直陈关系的特征b1,…,bn与相应的隐含关系的特征p1,…,pn进行相加处理,并将相加处理后的结果经过非线性变换的隐函数,以得到均衡特征p1*,…,pn*:pi*=gθ(pi+bi),i=1,2,…,n,gθ表示非线性变换的多层转换器;进而将均衡特征p1*,…,pn*、直陈关系的特征b1,…,bn和题目中问题的特征q输入到关系推理网络中进行推理求解,以生成求解结果rn(a):rn(a)=fφ(∑i,jpi*,bj,q),j=1,2,…,n,其中,rn()表示关系推理的复合函数,a表示求解答案的特征,fφ表示关系推理网络中的多层转换器。
6、其有益效果为:本专利技术将深度学习应用于机器解答的自动求解中来,对隐式特征金字塔推理网络模型进行改进,利用改进隐式特征金字塔推理网络模型进行自动求解,自动求解时需要依据从题目数据中抽取的直陈关系、发掘的隐含关系以及提取的问题数据的特征,充分利用了题目数据,实现了自动、快速求取出问题的答案,可以应用于解决数学题目和物理电路题目机器解答等实际问题,提升了机器解答的能力。
7、进一步地,所述题目数据为单模态数据或多模态数据,所述单模态数据为文本数据或图像数据,所述多模态数据包括文本数据和图像数据。
8、其有益效果为:无论单模态数据还是多模态数据均可处理,普适性较强。
9、进一步地,步骤1)中利用构建的题目理解模型本文档来自技高网...
【技术保护点】
1.一种基于深度学习的机器解答方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于深度学习的机器解答方法,其特征在于,所述题目数据为单模态数据或多模态数据,所述单模态数据为文本数据或图像数据,所述多模态数据包括文本数据和图像数据。
3.根据权利要求1所述的基于深度学习的机器解答方法,其特征在于,步骤1)中利用构建的题目理解模型来实现抽取出直陈关系的特征、发掘出隐含关系的特征,以及提取出问题数据的特征,所述题目理解模型利用加有问题标签、直陈关系特征标签和隐含关系特征标签的题目数据集进行训练得到。
【技术特征摘要】
1.一种基于深度学习的机器解答方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于深度学习的机器解答方法,其特征在于,所述题目数据为单模态数据或多模态数据,所述单模态数据为文本数据或图像数据,所述多模态数据包括文本数据和图像数据。
...
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。