(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211047848.0 (22)申请日 2022.08.30 (71)申请人 中国电子科技 南湖研究院 地址 314002 浙江省嘉兴 市南湖区七 星街 道灵湖南路东20 0米清风榻 (72)发明人 熊勋　徐臻　 (74)专利代理 机构 杭州君度专利代理事务所 (特殊普通 合伙) 33240 专利代理师 杨天娇 (51)Int.Cl. G06F 40/279(2020.01) G06F 40/216(2020.01) G06F 40/30(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于语义关联性的搜题方法以及沉浸 式学习方法 (57)摘要 本发明公开了一种基于语义关联性的搜题 方法以及沉浸式学习方法， 其中基于语义关联性 的搜题方法， 包括： 基于图像采集设备获取待识 别图像； 提取待识别图像中的标题和小题； 计算 标题和小题之间的关联性概率， 若关联性概率大 于阈值， 则取标题和小题作为题目； 否则仅取小 题作为题目； 基于题目在 题库中检索， 完成搜题。 本发明可显著提高搜题准确性。 权利要求书2页 说明书5页 附图2页 CN 115422919 A 2022.12.02 CN 115422919 A 1.一种基于语义关联性的搜题方法， 其特征在于， 所述基于语义关联性的搜题方法， 包 括： 基于图像采集设备获取待识别图像； 提取待识别图像中的标题和小题； 计算标题和小题之间的关联性概率， 若关联性概率大于阈值， 则取标题和小题作为题 目； 否则仅取小题作为题目； 基于所述题目在题库中检索， 完成搜题。 2.如权利要求1所述的基于语义关联性的搜题方法， 其特征在于， 所述计算标题和小题 之间的关联性 概率， 包括： 将标题和小题输入训练好的文本关系分类模型， 得到由文本关系分类模型输出的关联 性概率。 3.如权利要求2所述的基于语义关联性的搜题方法， 其特征在于， 所述文本关系分类模 型的训练过程如下： 获取数据集， 所述数据集中包含若干标题和小题， 且各标题和各小题之间标记有关联 性； 取Bert模型， 利用Ber t模型进行 数据集中标题和小题的关系提取； 根据Bert模型提取的关系以及标题和小题之间标记的关联性优化模型参数； 通过批量的迭代训练得到模型参数最优的Ber t模型作为文本关系分类模型。 4.如权利要求3所述的基于语义关联性的搜题方法， 其特征在于， 所述数据集中标题和 小题之间的关联性由录题人员提供。 5.如权利要求1所述的基于语义关联性的搜题方法， 其特 征在于， 所述阈值 为0.8。 6.一种沉浸式学习方法， 其特 征在于， 所述 沉浸式学习方法， 包括： 基于图像采集设备获取待识别图像； 提取待识别图像中的标题和小题； 计算标题和小题之间的关联性概率， 若关联性概率大于阈值， 则取标题和小题作为题 目； 否则仅取小题作为题目； 基于所述题目在题库中检索， 得到 搜题结果； 将所述搜题结果发送至 近眼显示设备， 实现沉浸式学习。 7.如权利要求6所述的沉浸式学习方法， 其特征在于， 所述计算标题和小题之间的关联 性概率， 包括： 将标题和小题输入训练好的文本关系分类模型， 得到由文本关系分类模型输出的关联 性概率。 8.如权利要求7所述的沉浸式学习方法， 其特征在于， 所述文本关系分类模型的训练过 程如下： 获取数据集， 所述数据集中包含若干标题和小题， 且各标题和各小题之间标记有关联 性； 取Bert模型， 利用Ber t模型进行 数据集中标题和小题的关系提取； 根据Bert模型提取的关系以及标题和小题之间标记的关联性优化模型参数； 通过批量的迭代训练得到模型参数最优的Ber t模型作为文本关系分类模型。权　利　要　求　书 1/2 页 2 CN 115422919 A 29.如权利要求8所述的沉浸式学习方法， 其特征在于， 所述数据集中标题和小题之间的 关联性由录题人员提供。 10.如权利要求6所述的沉浸式学习方法， 其特 征在于， 所述阈值 为0.8。权　利　要　求　书 2/2 页 3 CN 115422919 A 3