买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉华南师范大学;秦皇岛职业技术学院申请的专利一种基于人工智能的试题知识点生成方法及系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119830231B 。

龙图腾网通过国家知识产权局官网在2025-09-16发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510303148.0，技术领域涉及：G06F18/26；该发明授权一种基于人工智能的试题知识点生成方法及系统是由王素华;侯蕊;薛云;闫西木;闫鹏飞;王蕾;陈建设计研发完成，并于2025-03-14向国家知识产权局提交的专利申请。

本一种基于人工智能的试题知识点生成方法及系统在说明书摘要公布了：本发明涉及一种基于人工智能的试题知识点生成方法及系统，属于数据处理技术领域。包括以下步骤：试题文本数据预处理、试题文本数据分词、试题数据集划分、模型预训练、试题文本向量化、试题文本标签词标注；将Bert模型的输出词向量输入卷积神经网络的卷积层，采用不同卷积核进行卷积操作，利用池化层将卷积得到的列向量的最大值提取出来，通过全连接层和Softmax处理，获得最后的标签词标注结果；试题知识点生成：根据试题的标签词通过有效关联规则生成试题包含的知识点。本发明通过多粒度分词提高了模型的泛化能力；通过挖掘标签词与知识点的关联关系完善了试题知识点，并对标签词设置权重，提高了生成知识点的有效性和准确性。

本发明授权一种基于人工智能的试题知识点生成方法及系统在权利要求书中公布了：1.一种基于人工智能的试题知识点生成方法，其特征在于：包括以下步骤： 试题文本数据预处理：采集获取大规模的试题数据，并进行知识点标签标注，建立试题数据集； 试题文本数据分词：将试题集中试题文本使用不同的粒度进行分词迭代，分割生成新的文本； 试题数据集划分：将试题数据集划分为训练集、验证集和测试集； 模型预训练：将标签进行标签词映射，通过提示学习预训练完成Bert模型预训练； 试题文本向量化：通过Bert模型将分词生成的新文本中每个分词进行向量化表示； 试题文本标签词标注：将Bert模型的输出词向量输入卷积神经网络的卷积层，分别采用不同卷积核进行卷积操作，然后利用池化层将卷积得到的列向量的最大值提取出来，通过全连接层和Softmax处理，获得标签词标注结果； 试题知识点生成：根据试题的标签词通过有效关联规则生成试题包含的知识点； 模型指标评价：通过选取精确率、召回率以及F1值作为模型知识点生成的评价标准进行模型评估； 所述试题文本数据分词，包括以下步骤： 对试题的文本采用粗粒度的分词方法进行分词，从而分割生成多个词语；对生成的词语采用细粒度的分词方法获取字符级的第一输入文本；对粗粒度分词生成的每个词语随机切割成若干个字符串得到第二输入文本；将第一输入文本和第二输入文本合并得到分词结果； 所述模型预训练，包括以下步骤： 标签词映射：对训练集中的标签集，通过定义标签映射函数将标签集中的每个标签映射成对应的标签词，并建立标签词集； 提示学习预训练：给定训练样本Q={q1,…,qh,…,qz}，Q∈A，qh表示句子里第h个字符；定义提示模板为：qh是一个[R]实体，其中[R]是一个标签槽，表示qh所属类别对应的标签词； 对于原始句子Q，在获得z个提示模板后，通过逗号连接得到完整的提示P={p1,…,ph,…,pz}，ph表示针对qh的提示； 将Q和P拼接起来作为Bert的输入： F=[CLS]Q[SEP]P； 其中，[CLS]表示句子的开头，[SEP]用于分隔两个句子，得到的新序列F符合BERT的输入规范； 将新序列F输入到Bert中进行预训练，使得模型预测出[MASK]标记所对应的实体标签词； 所述提示学习预训练中，模型的损失函数根据预测结果和真实标签之间的差异计算： L=-∑hBhlogpBh’|F； 其中，L表示模型提示预训练的损失函数，Bh表示第h个字符的真实标签，Bh’表示模型的预测标签。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人华南师范大学;秦皇岛职业技术学院，其通讯地址为：510000 广东省广州市中山大道西55号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。