基于人工智能的题目知识点关联方法及系统与流程

本发明涉及人工智能，特别涉及一种基于人工智能的题目知识点关联方法及系统。

背景技术：

1、人工智能（artificial intelligence）是智能学科重要的组成部分，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。

2、随着人工智能的不断发展，其在学习软件/app领域的应用越来越广泛。例如可以辅助实现对学生知识点掌握情况的判别分析。然而，发明人经研究和分析发现，在实际对学生知识点掌握情况的判别分析时，传统的人工智能技术仍然呈现出一定的局限性。

技术实现思路

1、为改善相关技术中存在的技术问题，本发明提供了一种基于人工智能的题目知识点关联方法及系统。

2、第一方面，本发明实施例提供了一种基于人工智能的题目知识点关联方法，应用于人工智能决策系统，所述方法包括：

3、获得各待处理ocr扫描文本信息各自包括的各视觉文本识别单元以及所述各视觉文本识别单元之间的牵涉联系表征，其中，所述各待处理ocr扫描文本信息包含各原始ocr扫描文本信息以及所述各原始ocr扫描文本信息完成文本纠错后生成的各ocr纠错文本信息；

4、利用所述各视觉文本识别单元以及所述各视觉文本识别单元之间的牵涉联系表征，将所述各待处理ocr扫描文本信息分别转换成对应的关系型输出文本；

5、基于预调试的深度语义模型，从各所述关系型输出文本中分别挖掘所述各待处理ocr扫描文本信息各自对应的文本质量语义矩；

6、利用所述各待处理ocr扫描文本信息各自对应的文本质量语义矩，确定所述各待处理ocr扫描文本信息的判别观点。

7、在一些可选的实施例中，所述牵涉联系表征用于表征所述各待处理ocr扫描文本信息各自包括的各视觉文本识别单元之间的题目知识点联系特征；所述判别观点包括相应待处理ocr扫描文本信息所对应的知识点掌握量化评价。

8、在一些可选的实施例中，利用所述各视觉文本识别单元以及所述各视觉文本识别单元之间的牵涉联系表征，将所述各待处理ocr扫描文本信息分别转换成对应的关系型输出文本，包括：

9、对于各所述待处理ocr扫描文本信息，将所述待处理ocr扫描文本信息所包括的各视觉文本识别单元分别确定为相应的ai知识要素；

10、利用所述待处理ocr扫描文本信息所包括的各视觉文本识别单元之间的牵涉联系表征，确定各所述ai知识要素之间的牵涉联系表征；

11、依据各所述ai知识要素以及各所述ai知识要素之间的牵涉联系表征，将所述待处理ocr扫描文本信息表示为对应的所述关系型输出文本。

12、在一些可选的实施例中，利用所述各视觉文本识别单元以及所述各视觉文本识别单元之间的牵涉联系表征，将所述各待处理ocr扫描文本信息分别转换成对应的关系型输出文本，包括：

13、对于各所述待处理ocr扫描文本信息，识别所述待处理ocr扫描文本信息所包括的各视觉文本识别单元簇；

14、将所述各视觉文本识别单元簇以及所述待处理ocr扫描文本信息中除所述各视觉文本识别单元簇以外的各视觉文本识别单元分别确定为相应的ai知识要素；

15、利用所述待处理ocr扫描文本信息所包括的各视觉文本识别单元之间的牵涉联系表征，确定各所述ai知识要素之间的牵涉联系表征；

16、依据各所述ai知识要素以及各所述ai知识要素之间的牵涉联系表征，将所述待处理ocr扫描文本信息表示为所述关系型输出文本。

17、在一些可选的实施例中，从各所述关系型输出文本中分别挖掘所述各待处理ocr扫描文本信息各自对应的文本质量语义矩，包括：

18、对于各所述待处理ocr扫描文本信息，通过所述深度语义模型挖掘所述待处理ocr扫描文本信息所对应的关系型输出文本中各ai知识要素的局部文本质量语义矩；

19、通过所述深度语义模型对所述各ai知识要素的局部文本质量语义矩进行聚合，得到所述待处理ocr扫描文本信息的文本质量语义矩。

20、在一些可选的实施例中，所述深度语义模型中包含有特征关注子模型，从各所述关系型输出文本中分别挖掘所述各待处理ocr扫描文本信息各自对应的文本质量语义矩，包括：

21、对于各所述待处理ocr扫描文本信息，通过所述深度语义模型挖掘所述待处理ocr扫描文本信息所对应的关系型输出文本中各ai知识要素的局部文本质量语义矩；

22、通过所述特征关注子模型确定所述各ai知识要素的局部文本质量语义矩各自对应的语义强化因子；

23、通过所述深度语义模型根据各所述语义强化因子对所述各ai知识要素的局部文本质量语义矩进行聚合，得到所述待处理ocr扫描文本信息的文本质量语义矩。

24、在一些可选的实施例中，通过所述特征关注子模型确定所述各ai知识要素的局部文本质量语义矩各自对应的语义强化因子，包括：

25、通过所述特征关注子模型确定所述各ai知识要素的局部文本质量语义矩各自对应的语义特征规模变量；

26、根据所述语义特征规模变量确定所述各ai知识要素的局部文本质量语义矩各自对应的语义强化因子。

27、在一些可选的实施例中，利用所述各待处理ocr扫描文本信息各自对应的文本质量语义矩，确定所述各待处理ocr扫描文本信息的判别观点，包括：

28、基于预调试的观点判别网络，从所述各待处理ocr扫描文本信息的文本质量语义矩中确定所述各待处理ocr扫描文本信息的判别观点。

29、在一些可选的实施例中，所述方法还包括：

30、当进行预调试时，以所述深度语义模型的生成结果作为所述观点判别网络的传入信息得到所述观点判别网络的输出结果，并以所述观点判别网络的输出结果为指导对所述深度语义模型以及所述观点判别网络进行优化。

31、在一些可选的实施例中，以所述深度语义模型的生成结果为所述观点判别网络的传入信息得到所述观点判别网络的输出结果，包括：

32、将事先获取的各已认证ocr扫描文本信息分别转换成对应的关系型输出文本，其中，所述各已认证ocr扫描文本信息包含各原始ocr扫描文本信息以及所述各原始ocr扫描文本信息完成基于第一判别观点的文本纠错后生成的各ocr纠错文本信息；

33、基于所述深度语义模型，从各所述已认证ocr扫描文本信息的关系型输出文本中分别挖掘所述各已认证ocr扫描文本信息各自对应的文本质量语义矩；

34、基于所述观点判别网络，从所述各已认证ocr扫描文本信息的文本质量语义矩中推理得到所述已认证ocr扫描文本信息的第二判别观点；

35、以所述观点判别网络的输出结果为指导对所述深度语义模型以及所述观点判别网络进行优化，包括：确定所述第一判别观点与所述第二判别观点之间的区别；利用所述区别对所述深度语义模型以及所述观点判别网络进行优化。

36、在一些可选的实施例中，确定所述第一判别观点与所述第二判别观点之间的区别，包括：

37、确定所述第一判别观点在观点特征金字塔之中的第一金字塔分布标签以及所述第二判别观点在所述观点特征金字塔之中的第二金字塔分布标签，其中，所述观点特征金字塔为将全部候选判别观点按照上下游特征进行整理得到的金字塔模型；

38、利用所述第一金字塔分布标签与所述第二金字塔分布标签，确定所述第一判别观点与所述第二判别观点之间的区别。

39、在一些可选的实施例中，从所述各待处理ocr扫描文本信息的文本质量语义矩中确定所述各待处理ocr扫描文本信息的判别观点，包括：

40、对所述各原始ocr扫描文本信息各自对应的文本质量语义矩进行均值化处理，得到全局原始文本质量语义矩；

41、对所述各ocr纠错文本信息各自对应的文本质量语义矩进行均值化处理，得到全局纠错文本质量语义矩；

42、通过所述观点判别网络根据所述全局原始文本质量语义矩以及所述全局纠错文本质量语义矩确定所述各待处理ocr扫描文本信息的判别观点。

43、在一些可选的实施例中，从所述各待处理ocr扫描文本信息的文本质量语义矩中确定所述各待处理ocr扫描文本信息的判别观点，包括：

44、通过预调试的特征聚焦模型对所述各原始ocr扫描文本信息各自对应的文本质量语义矩进行处理，得到所述各原始ocr扫描文本信息各自对应的第一语义强化因子；

45、通过所述特征聚焦模型对所述各ocr纠错文本信息各自对应的文本质量语义矩进行处理，得到所述各ocr纠错文本信息各自对应的第二语义强化因子；

46、利用所述第一语义强化因子对所述各原始ocr扫描文本信息的文本质量语义矩进行处理，得到全局原始文本质量语义矩；

47、利用所述第二语义强化因子对所述各ocr纠错文本信息的文本质量语义矩进行处理，得到全局纠错文本质量语义矩；

48、通过所述观点判别网络根据所述全局原始文本质量语义矩以及所述全局纠错文本质量语义矩确定所述各待处理ocr扫描文本信息的判别观点。

49、第二方面，本发明还提供了一种人工智能决策系统，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述的方法。

50、第三方面，本发明还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。

51、本发明实施例在对各待处理ocr扫描文本信息进行判别分析时，对于涉及文本纠错的各待处理ocr扫描文本信息，通过基于待处理ocr扫描文本信息所包括的各视觉文本识别单元以及各视觉文本识别单元之间的牵涉联系表征将待处理ocr扫描文本信息变更成关系型输出文本，进而从该关系型输出文本中挖掘出的待处理ocr扫描文本信息所对应的文本质量语义矩可以反映该待处理ocr扫描文本信息所包括的各视觉文本识别单元之间的牵涉联系表征，提升了待处理ocr扫描文本信息所对应的文本质量语义矩的特征输出性能，这样提升了在待处理ocr扫描文本信息所对应的文本质量语义矩前提下所实现的判别分析的精度和可解释性。

52、综上，本发明实施例能够解决现有技术难以准确且有解释性地进行作业文本质量判别的技术问题。