基于向量空间模型的知识点与试题自动关联方法

doi:10.3969/j.issn.1006-2475.2015.10.002

计算机与现代化

基于向量空间模型的知识点与试题自动关联方法

(武汉科技大学计算机科学与技术学院，湖北武汉 430081)

收稿日期:2015-04-30 出版日期:2015-10-10 发布日期:2015-10-10
作者简介:董奥根(1993-)，男，湖北京山人，武汉科技大学计算机科学与技术学院本科生，研究方向：自然语言处理; 刘茂福(1977-)，男，山东单县人，教授，博士，研究方向：自然语言处理，图像处理; 黄革新(1962-)，男，副教授，硕士，研究方向：编译方法; 舒琦赟(1994-)，男，本科生，研究方向：自然语言处理。
基金资助:
国家自然科学基金资助项目(61100133); 国家社会科学基金重大项目(11&Z189); 武汉科技大学大学生科技创新基金资助项目(14ZRA076)

Automatic Discovery of Relationship Between Examination Question and Knowledge Points Based on Vector Space Model

(College of Computer Science and Technology, Wuhan University of Science and Technology, Wuhan 430081, China)

Received:2015-04-30 Online:2015-10-10 Published:2015-10-10

摘要/Abstract

摘要： 随着基于知识点题库系统的广泛应用，实现试题与知识点的自动匹配，成为当下研究的重要问题。利用word2vec分别得到试题和知识点所包含的每个词的K维空间向量，通过计算空间向量间的余弦距离得到题干与知识点的语义相似度，进而自动发现知识点与试题之间的语义关联关系。实验结果显示此方法能快速发现试题与知识点的关系，提高题库系统的工作效率。

关键词: word2vec, 知识点, 余弦距离, 语义相似度, 向量空间模型

Abstract: With the extensive application of examination system based on knowledge points, how to automatically match examination question with knowledge points has become an important direction of current research. In this paper, word2vec is used to get the K-dimensional space vector for each word in the texts of examination question and the knowledge points at first. And then, we calculate the cosine distance between the vectors to represent the semantic similarity of the examination question and the knowledge points. The experimental results show that this method can quickly find the relationship between examination question and knowledge points and improve the work efficiency of the examination system.

Key words: word2vec, knowledge point, cosine distance, semantic similarity, vector space model

中图分类号:

TP391

董奥根，刘茂福，黄革新，舒琦赟. 基于向量空间模型的知识点与试题自动关联方法[J]. 计算机与现代化, doi: 10.3969/j.issn.1006-2475.2015.10.002.

DONG Ao-gen, LIU Mao-fu, HUANG Ge-xin, SHU Qi-yun. Automatic Discovery of Relationship Between Examination Question and Knowledge Points Based on Vector Space Model[J]. Computer and Modernization, doi: 10.3969/j.issn.1006-2475.2015.10.002.

参考文献

[1] 郝立柱. 高等学校题库建设系统[J]. 黑龙江大学自然科学学报, 2001,18(1):39-42.

[2] 蔡晓云. 基于知识的在线考试系统题库设计[J]. 计算机与现代化, 2011(8):193-197.

[3] 李中原,杨守文. 基于向量空间模型的网页特征权重计算改进[J]. 计算机与现代化, 2010(6):137-139.

[4] 黄萱菁,夏迎炬,吴立德. 基于向量空间模型的文本过滤系统[J]. 软件学报, 2003,14(3):435-442.

[5] Mikolov T. Word2vec Project[EB/OL]. http://code.google.com/p/word2vec/, 2014-09-03.

[6] 谷波,刘开瑛. 中文文本分类中一种简单高效的特征词选择方法[C]// 2005第一届中国分类技术与应用研讨会(CSCA). 2005:356-360.

[7] 周练. Word2vec的工作原理及应用探究[J]. 科技情报开发与经济, 2015,25(2):145-148.

[8] 郑文超,徐鹏. 利用word2vec对中文词进行聚类的研究[J]. 软件, 2013,34(12):160-162.

[9] 刘群,张华平,俞鸿魁,等. 基于层叠隐马模型的汉语词法分析[J]. 计算机研究与发展, 2004,41(8):1421-1429.

[10] 王涛,陈红英. 基于贝叶斯网络的概念间语义相似度计算[J]. 计算机与现代化, 2012(9):65-68.

[11] Turian J, Ratinov L, Bengio Y. Word representations: A simple and general method for semi-supervised learning[C]// Proceedings of the 48th Annual Meeting of the Association for Computational Linguistics. 2010:384-394.

[12] 鲁松,白硕,黄雄,等. 基于向量空间模型的有导词义消歧[J]. 计算机研究与发展, 2001,38(6):662-667.

[13] Hermjakob U. Parsing and question classification for question answering[C]// Proceedings of the 2001 Workshop on Open-Domain Question Answering at ACL. 2001.

[14] 刘爱琴,张继福,荀亚玲. 基于大熵值变化区域和余弦相似度的离群迭代算法[J]. 小型微型计算机系统, 2013,34(7):1518-1521.

[15] 张素琴,吕映芝,蒋维杜,等. 编译原理[M]. 第2版. 北京:清华大学出版社, 2005.

[16] 龚笔宏,彭波. 对文本分类评测方法稳定性的研究[J]. 模式识别与人工智能, 2008,21(1):12-17.

[17] 唐明伟,卞艺杰,陶飞飞. 基于领域本体的语义向量空间模型[J]. 情报学报, 2011,30(9):951-955.

基于向量空间模型的知识点与试题自动关联方法

Automatic Discovery of Relationship Between Examination Question and Knowledge Points Based on Vector Space Model

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	王鸿, 葛红. 基于注意力机制和语义相似度的跨模态哈希检索[J]. 计算机与现代化, 2023, 0(08): 44-53.
[2]	陈瀛, 生佳根. 基于LDA和Word2vec的微博标签生成算法[J]. 计算机与现代化, 2021, 0(12): 37-42.
[3]	耿化聪, 梁宏涛, 刘国柱. 基于知识图谱与协同过滤的饮食推荐算法[J]. 计算机与现代化, 2021, 0(08): 24-29.
[4]	杨泉. 基于Logistic函数的《同义词词林》语义相似度计算[J]. 计算机与现代化, 2021, 0(01): 111-119.
[5]	景栋盛, 薛劲松, 冯仁君. 基于深度Q网络的垃圾邮件文本分类方法[J]. 计算机与现代化, 2020, 0(06): 89-.
[6]	牛雪莹. 结合主题模型词向量的CNN文本分类[J]. 计算机与现代化, 2019, 0(10): 7-.
[7]	郑开雨，竹翠. 基于上下文语义的朴素贝叶斯文本分类算法[J]. 计算机与现代化, 2018, 0(06): 1-.
[8]	吴克介,王家伟. 基于知网与搜索引擎的词汇语义相似度计算[J]. 计算机与现代化, 2018, 0(04): 90-.
[9]	蒋强荣，宋烈金. 基于图核算法的文本分类[J]. 计算机与现代化, 2017, 0(11): 13-16+61.
[10]	杨雨诗,何博侠,周鑫，刘慧丽，葛方丽. 基于词库匹配的网络文本分类及预测[J]. 计算机与现代化, 2017, 0(10): 72-75.
[11]	蒋宗礼，赵洁. 关联首尾段落与首尾语句的多特征融合段落相似度计算[J]. 计算机与现代化, 2016, 0(9): 10-14+20.
[12]	秦林1，薛善良1，顾永2，李建平2，徐萍媛2. 航天产品装配工艺知识库建模与检索[J]. 计算机与现代化, 2015, 0(1): 53-56.
[13]	谢梓琪，谢颖华. 一种基于数据挖掘的SNS用户兴趣模型[J]. 计算机与现代化, 2014, 0(2): 24-27+31.
[14]	万长林1,徐德明2. 基于语义的数据库关键词检索系统[J]. 计算机与现代化, 2014, 0(10): 37-41.
[15]	郑诚;李鸿. 基于主题模型的K-均值文本聚类[J]. 计算机与现代化, 2013, 1(8): 78-80,8.