[go: up one dir, main page]

CN116303879A - 一种自适应的单词卡例句生成方法及系统 - Google Patents

一种自适应的单词卡例句生成方法及系统 Download PDF

Info

Publication number
CN116303879A
CN116303879A CN202211466124.XA CN202211466124A CN116303879A CN 116303879 A CN116303879 A CN 116303879A CN 202211466124 A CN202211466124 A CN 202211466124A CN 116303879 A CN116303879 A CN 116303879A
Authority
CN
China
Prior art keywords
word
sentence
words
sentences
stock
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211466124.XA
Other languages
English (en)
Other versions
CN116303879B (zh
Inventor
陈涯
牛颖
蒋东辰
康鑫
隗艳萍
孙艳
张远
张强
杨明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhuhai Yizi Technology Co ltd
Original Assignee
Zhuhai Yizi Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhuhai Yizi Technology Co ltd filed Critical Zhuhai Yizi Technology Co ltd
Priority to CN202211466124.XA priority Critical patent/CN116303879B/zh
Publication of CN116303879A publication Critical patent/CN116303879A/zh
Application granted granted Critical
Publication of CN116303879B publication Critical patent/CN116303879B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3346—Query execution using probabilistic model
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G06F16/353—Clustering; Classification into predefined classes
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/374—Thesaurus
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/237—Lexical tools
    • G06F40/242—Dictionaries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Machine Translation (AREA)

Abstract

本发明涉及一种自适应的单词卡例句生成方法及系统，其方法包括：步骤S1：构建基于教材的词库、语法库和句子库；步骤S2：用户输入单词及其英语水平，从词库、语法库和句子库得到单词对应的词性、音标、不同释义及其对应的例句。本发明提供的方法可以根据用户自身情况生成符合其英语水平的例句，以更好地帮助用户学习单词。

Description

一种自适应的单词卡例句生成方法及系统
技术领域
本发明涉及英语教学、英语在线教育、英文文本生成领域，具体涉及一种自适应的单词卡例句生成方法及系统。
背景技术
词汇学习是英语学习的重要方面，一个学习者的词汇量多少直接影响到其听、说、读、写等各项基本英语能力。2022年中小学英语新课标增加了对学生掌握词汇量的要求，从原来的1600个单词和200-300个短语，增加到1800个单词和相关主题范围内200个单词以及习惯用语和固定搭配。新课标即增加了词汇量要求，也提升了对词汇灵活掌握的要求。
当前，辅助英语单词学习的工具、软件很多。英语单词学习软件多是基于词典和记忆曲线帮助学习者完成对英语词汇识记、巩固和提升。多数软件会以某一权威学习词典作为基础，从中抽取单词的拼写、音标、解释和例句，并配以音频、图像等辅助信息帮助学习者理解。使用者定期使用软件记忆单词，完成相应测试，进而加深对词汇的记忆。这类软件能够有效提升学生对单词音、形的掌握，但在词汇内在含义的掌握上却存在缺陷。一些软件仅仅关注英文单词和汉语意义的识记，缺乏例句，这使得使用者只能通过中文翻译了解词语的含义，无法理解单词的准确含义和基本用法；有些软件包括例句，但例句出自字典或特定教材的文本。这种例句并未考虑使用者自身的英语水平和学习能力，有可能出现学习者因不懂例句单词或知识点而无法理解例句的情况；在有些软件中，例句较为单一，也无法全面阐述单词含义。
发明内容
为了解决上述技术问题，本发明提供一种自适应的单词卡例句生成方法及系统。
本发明技术解决方案为：一种自适应的单词卡例句生成方法，包括：
步骤S1：构建基于教材的词库、语法库和句子库；
步骤S2：用户输入单词及其英语水平，从所述词库、语法库和句子库得到所述单词对应的词性、音标、不同释义及其对应的例句。
本发明与现有技术相比，具有以下优点：
1、本发明公开了一种自适应的单词卡例句生成方法，比现有的单词例句生成方法更加的人性化，能生成与用户英语水平相契合的例句文本，比起人工筛选更加的简单、高效，能极大程度地降低对人工劳力的投入。
2、本发明提供的方法生成的单词例句通常为三到四句相当于一个主题短文本，构建了一个简单语境，更便于用户理解和识记。同时，本发明提供的方法会针对单词的不同释义均会生成例句，用户可以准确地掌握单词的不同含义和用法。用户完成当前单词的学习后，还会选择与当前单词关联性强的单词作为后续学习的单词。这种非随机选择单词推荐和识记顺序，更符合人的学习习惯，有助于使用者快速掌握大量单词。
3、从英语工作者的角度，不再需要人工地选择适合英语学习者的例句和短文本，大大地节省了人力，减轻了工作负担。
附图说明
图1为本发明实施例中一种自适应的单词卡例句生成方法的流程图；
图2为本发明实施例中例句生成流程图示意图；
图3为本发明实施例中一种自适应的单词卡例句生成系统的结构框图。
具体实施方式
本发明提供了一种自适应的单词卡例句生成方法，根据用户自身情况生成符合其英语水平的例句，能更好地帮助用户学习单词。
为了使本发明的目的、技术方案及优点更加清楚，以下通过具体实施，并结合附图，对本发明进一步详细说明。
实施例一
如图1所示，本发明实施例提供的一种自适应的单词卡例句生成方法，包括下述步骤：
步骤S1：构建基于教材的词库、语法库和句子库；
步骤S2：用户输入单词及其英语水平，从词库、语法库和句子库得到单词对应的词性、音标、不同释义及其对应的例句。
在一个实施例中，上述步骤S1中构建词库，具体包括：
步骤S101：根据英语教材以及中小学英语教育大纲，得到基于教材的词典Dictionary和每个单词对应的年级信息WordiLevel；
步骤S102：从权威词典中，得到Dictionary里所有单词的音标、词性和释义，并获取每个单词wordi不同释义的关联词集合relaiwords，具体包括：
步骤S1021：在较大语料库中统计词典Dictionary里单词的词频wordFrequency；
步骤S1022：统计除停止词以外的每一个词典词与词典里别的词在同一句子中一起出现的次数，利用如下所示条件概率公式，计算出同一句子中在词Wa出现条件下，其他词Wi出现的条件概率；
Figure BDA0003957571720000031
其中，Wa为词典Dictionary里的词，Wi为词典Dictionary里任意一个除Wa以外的词；P(W)为词W出现的概率，P(WaWi)为词Wa与词Wi一起在句子中出现的概率；F(W)为词W在语料库里的词频，F(WaWi)为词Wa与词Wi一起在同一句子中出现的频率；Count(W)为词W在语料库中出现的次数，Count(WaWi)为Wa与Wi两者在语料库句子中一起出现的次数；
当语料库足够大时，根据大数定律，可将频率视为概率。本发明实施例中将这个条件概率作为词之间关联性的度量标准，即条件概率越大，词间的关联性越强；
步骤S1023：将步骤S1022计算所得条件概率，进行由大到小排序，取前N个，例如N＝50，可得到任意词典Dictionary词wordi的关联词集合relaiwords；
步骤S103：利用已有预训练word2vec词向量，使用k-means对relaiwords做聚类，得到多个词簇，存入词簇集合relaiwordsi，具体包括：
步骤S1031：利用已有预训练word2vec词向量，使用k-means对关联词集合relaiwords做聚类，得到多个词簇，存入词簇集合relaiwordsi；
步骤S1032：结合单词的词义的注解，将不同地将多义词的不同注解与聚类后的词簇对应。
经过上述步骤，完成词库的构建。词库中词的存储信息结构如表1所示：
表1词库中词的存储信息结构
Figure BDA0003957571720000032
Figure BDA0003957571720000041
在一个实施例中，上述步骤S1中构建语法库，具体包括：
将中小学英语教育大纲中语法知识点按年级进行划分，得到每个语法知识点Grammaj对应的年级信息GrammajLevel，具体包括：
整理中小学英语大纲中针对不同年级要求的语法知识点，按年级分类，得到每个语法知识点Grammaj对应的年级信息GrammajLevel。
在一个实施例中，上述步骤S1中构建句子库，具体包括：
步骤S121：获取含义完备、质量高的句子，存入句子集合SentenceSet，为每个句子分配唯一编号；
本发明实施例从概念网ConceptNet和国内英语教材中整理得到含义完备、质量较高的句子，存入SentenceSet；
步骤S122：利用CoreNLP工具对SentenceSet里的每个句子进行分词和词形还原，去掉停止词，将处理后的单词存入词袋WordBag；
步骤S123：利用CoreNLP对SentenceSet里的每个句子进行句法解析，得到其的组成结构，及其包含的语法知识点，存入句子语法点集合SentenceGrammarSet；
步骤S124：利用下列公式计算得到每个句子的难度等级sentenceLevel，并将结果四舍五入取整：
Figure BDA0003957571720000042
其中，a、b∈(0,1)为调节单词难度和语法难度的权重的参数；N为词袋WordBag里词的个数；M为集合SentenceGrammarSet元素个数；WordiLevel为单词wordi对应的年级信息，GrammajLeve为语法知识点Grammaj对应的年级信息；
步骤S125：遍历词袋WordBag中每个单词以及句子集合SentenceSet每个句子，当WordBag中单词出现在句子集合SentenceSet中的句子中，则建立该单词与该句子编号的建立对应关系，如果该单词在句子中出现的次数大于1，按出现1次处理；最后形成单词词为属性建立的倒排索引，同时，保存了每个句子的难度等级sentenceLevel。
在一个实施例中，上述步骤S2：用户输入单词及其英语水平，从词库、语法库和句子库得到单词对应的词性、音标、不同释义及其对应的例句，具体包括：
步骤S21：用户输入其英语水平Userlevel，以及需要生成例句的单词theWord；如果用户没有输入theWord，则根据其Userlevel从词库中随机选择一个不在用户已学单词表LearnedWordsList的单词作theWord；
由于初次注册并登录的用户的已学习单词表LearnedWordsList为空，因此初次登录的用户必须输入theWord；
步骤S22：根据theWord，从句子库中获得所有包含单词theWord的句子，存入候选句子集合AlternativeSet0；
步骤S23：根据Userlevel对AlternativeSet0进行二次筛选：如果该单词不在用户已学单词表LearnedWordsList里，则从AlternativeSet0中选出句子难度等级最低的句子存入集合AlternativeSet1；如果theWord在用户已学单词表LearnedWordsList里，则从AlternativeSet0中选出句子难度等级比用户当前Userlevel大1的句子，存入集合AlternativeSet1；
步骤S24：从词库中获得单词theWord不同释义对应的不同词簇relawordsx，利用word2vec和单词词频，通过下列公式计算出每个词簇的加权平均向量relaWordsVectorx；
Ii＝log2(pi)＝log2(fi)
Figure BDA0003957571720000051
其中，pi为词在文本中出现的概率；fi为从句子库里统计得到词频；
Vi为词簇relawordsx里的单词的词向量，n为集合relawordsx元素个数；
步骤S25：计算集合AlternativeSet1里每个句子的句向量，具体包括：
步骤S251：AlternativeSet1里每个句子进行分词，并去停止词后存储于Bag；
步骤S252：利用如下公式计算出每个句子的句向量；
Ii＝log2(pi)＝log2(fi)
Figure BDA0003957571720000052
其中，m为Bag里的词数，Cj为词Wordj在句中出现的次数，Ij为词的信息量，Vj为词的词向量；
步骤S26：利用余弦公式，计算句子集合AlternativeSet1里每个句子句向量和每个词簇的relaWordsVector的距离：
Figure BDA0003957571720000053
其中，Ai是句向量；Bi是relaWordsVector，n为AlternativeSet1句子个数；
步骤S27：选择AlternativeSet1中句向量对应句向量距离最小的句子作为第一个例句；通过使用余弦公式比较句向量，从剩下句子中选择距离第一个例句距离最近的其他三个例句；
步骤S28：输出单词theWord的信息：单词本身、词性、音标、释义以及不同释义下的4个例句；并将theWord加入用户的LearnedWordsList；
本发明实施例在得到theWord的例句基础上，从和用户年级一致的单词中找到与单词theWord关联性最强，即P(theWord|Wordi)最大，且不在已学单词表LearnedWordsList的单词，作为用户后续学习的推荐单词。
本发明公开了一种自适应的单词卡例句生成方法，比现有的单词例句生成方法更加的人性化，能生成与用户英语水平相契合的例句文本，比起人工筛选更加的简单、高效，能极大程度地降低对人工劳力的投入。本发明提供的方法生成的单词例句通常为三到四句相当于一个主题短文本，构建了一个简单语境，更便于用户理解和识记。同时，本发明提供的方法会针对单词的不同释义均会生成例句，用户可以准确地掌握单词的不同含义和用法。用户完成当前单词的学习后，还会选择与当前单词关联性强的单词作为后续学习的单词。这种非随机选择单词推荐和识记顺序，更符合人的学习习惯，有助于使用者快速掌握大量单词。此外，从英语工作者的角度，不再需要人工地选择适合英语学习者的例句和短文本，大大地节省了人力，减轻了工作负担。
实施例二
如图3所示，本发明实施例提供了一种自适应的单词卡例句生成系统，包括下述模块：
构建数据库模块31，用于构建基于教材的词库、语法库和句子库；
生成单词卡例句模块32，用于用户输入单词及其英语水平，从词库、语法库和句子库得到单词对应的词性、音标、不同释义及其对应的例句。
提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。

Claims (7)

1.一种自适应的单词卡例句生成方法，其特征在于，包括：
步骤S1：构建基于教材的词库、语法库和句子库；
步骤S2：用户输入单词及其英语水平，从所述词库、语法库和句子库得到所述单词对应的词性、音标、不同释义及其对应的例句。
2.根据权利要求1所述的自适应的单词卡例句生成方法，其特征在于，所述步骤S1中构建所述词库，具体包括：
步骤S101：根据英语教材以及中小学英语教育大纲，得到基于教材的词典Dictionary和每个单词对应的年级信息WordiLevel；
步骤S102：从权威词典中，得到Dictionary里所有单词的音标、词性和释义，并获取每个单词wordi不同释义的关联词集合relaiwords；
步骤S103：利用已有预训练word2vec词向量，使用k-means对relaiwords做聚类，得到多个词簇，存入词簇集合relaiwordsi。
3.根据权利要求1所述的自适应的单词卡例句生成方法，其特征在于，所述步骤S1中构建所述语法库，具体包括：
将所述中小学英语教育大纲中语法知识点按年级进行划分，得到每个语法知识点Grammaj对应的年级信息GrammajLevel。
4.根据权利要求1所述的自适应的单词卡例句生成方法，其特征在于，所述步骤S1中构建所述句子库，具体包括：
步骤S121：获取含义完备、质量高的句子，存入句子集合SentenceSet，为每个句子分配唯一编号；
步骤S122：利用CoreNLP工具对SentenceSet里的每个所述句子进行分词和词形还原，去掉停止词，将处理后的单词存入词袋WordBag；
步骤S123：利用CoreNLP对SentenceSet里的每个所述句子进行句法解析，得到其的组成结构，及其包含的语法知识点，存入句子语法点集合SentenceGrammarSet；
步骤S124：利用下列公式计算得到每个所述句子的难度等级sentenceLevel，并将结果四舍五入取整：
Figure FDA0003957571710000011
其中，a、b∈(0,1)为调节单词难度和语法难度的权重的参数；N为词袋WordBag里词的个数；M为集合SentenceGrammarSet元素个数；WordiLevel为单词wordi对应的年级信息，GrammajLeve为语法知识点Grammaj对应的年级信息；
步骤S125：遍历所述词袋WordBag中每个单词以及所述句子集合SentenceSet每个句子，当WordBag中单词出现在句子集合SentenceSet中的句子中，则建立该单词与该句子编号的建立对应关系，如果该单词在句子中出现的次数大于1，按出现1次处理；最后形成单词词为属性建立的倒排索引，同时，保存了每个所述句子的难度等级sentenceLevel。
5.根据权利要求4所述的自适应的单词卡例句生成方法，其特征在于，所述步骤S2：用户输入单词及其英语水平，从所述词库、语法库和句子库得到所述单词对应的词性、音标、不同释义及其对应的例句，具体包括：
步骤S21：用户输入其英语水平Userlevel，以及需要生成例句的单词theWord；如果用户没有输入theWord，则根据其Userlevel从所述词库中随机选择一个不在用户已学单词表LearnedWordsList的单词作theWord；
步骤S22：根据theWord，从所述句子库中获得所有包含单词theWord的句子，存入候选句子集合AlternativeSet0；
步骤S23：根据Userlevel对AlternativeSet0进行二次筛选：如果该单词不在用户已学单词表LearnedWordsList里，则从AlternativeSet0中选出句子难度等级最低的句子存入集合AlternativeSet1；如果theWord在用户已学单词表LearnedWordsList里，则从AlternativeSet0中选出句子难度等级比用户当前Userlevel大1的句子，存入集合AlternativeSet1；
步骤S24：从所述词库中获得单词theWord不同释义对应的不同词簇relawordsx，利用word2vec和单词词频，通过下列公式计算出每个词簇的加权平均向量relaWordsVectorx；
Ii＝log2(pi)＝log2(fi)
Figure FDA0003957571710000021
其中，pi为词在文本中出现的概率；fi为从所述句子库里统计得到词频；
Vi为词簇relawordsx里的单词的词向量，n为集合relawordsx元素个数；
步骤S25：计算集合AlternativeSet1里每个句子的句向量；
步骤S26：利用余弦公式，计算句子集合AlternativeSet1里每个句子句向量和每个词簇的relaWordsVector的距离：
Figure FDA0003957571710000031
其中，Ai是句向量；Bi是relaWordsVector，n为AlternativeSet1句子个数；
步骤S27：选择AlternativeSet1中句向量对应句向量距离最小的句子作为第一个例句；通过使用余弦公式比较句向量，从剩下句子中选择距离所述第一个例句距离最近的其他三个例句；
步骤S28：输出单词theWord的信息：单词本身、词性、音标、释义以及不同释义下的4个例句；并将theWord加入所述用户的LearnedWordsList。
6.根据权利要求5所述的自适应的单词卡例句生成方法，其特征在于，所述步骤S25：计算集合AlternativeSet1里每个句子的句向量，具体包括：
步骤S251：AlternativeSet1里每个句子进行分词，并去停止词后存储于Bag；
步骤S252：利用如下公式计算出每个所述句子的句向量；
Ii＝log2(pi)＝log2(fi)
Figure FDA0003957571710000032
其中，m为Bag里的词数，Cj为词Wordj在句中出现的次数，Ij为词的信息量，Vj为词的词向量。
7.一种自适应的单词卡例句生成系统，其特征在于，包括下述模块：
构建数据库模块，用于构建基于教材的词库、语法库和句子库；
生成单词卡例句模块，用于用户输入单词及其英语水平，从所述词库、语法库和句子库得到所述单词对应的词性、音标、不同释义及其对应的例句。
CN202211466124.XA 2022-11-22 2022-11-22 一种自适应的单词卡例句生成方法及系统 Active CN116303879B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211466124.XA CN116303879B (zh) 2022-11-22 2022-11-22 一种自适应的单词卡例句生成方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211466124.XA CN116303879B (zh) 2022-11-22 2022-11-22 一种自适应的单词卡例句生成方法及系统

Publications (2)

Publication Number Publication Date
CN116303879A true CN116303879A (zh) 2023-06-23
CN116303879B CN116303879B (zh) 2025-12-23

Family

ID=86789347

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211466124.XA Active CN116303879B (zh) 2022-11-22 2022-11-22 一种自适应的单词卡例句生成方法及系统

Country Status (1)

Country Link
CN (1) CN116303879B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119721019A (zh) * 2023-09-27 2025-03-28 广东小天才科技有限公司 一种语法解析方法、装置、设备及系统
CN119721018A (zh) * 2023-09-27 2025-03-28 广东小天才科技有限公司 语法解析方法、装置、智能设备和存储介质
CN120472727A (zh) * 2025-04-29 2025-08-12 上海望圈网络科技有限公司 英语单词测试方法、系统、存储介质及电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108763372A (zh) * 2018-05-17 2018-11-06 上海尬词教育科技有限公司 语言学习方法、系统、程序产品及移动终端
JP2018180299A (ja) * 2017-04-13 2018-11-15 イー・エム・エス株式会社 単語習得訓練システム
CN110634338A (zh) * 2019-09-25 2019-12-31 北京艾斯酷科技有限公司 一种交互式英语单词学习方法及系统
US20210201690A1 (en) * 2019-12-31 2021-07-01 Tan Boon Keat Learning management system
CN114841149A (zh) * 2022-04-22 2022-08-02 珠海翼字科技有限公司 一种可设置打分等级的英语作文打分方法及系统
CN115204124A (zh) * 2022-07-29 2022-10-18 北京有竹居网络技术有限公司 词语例句生成方法、装置和电子设备

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018180299A (ja) * 2017-04-13 2018-11-15 イー・エム・エス株式会社 単語習得訓練システム
CN108763372A (zh) * 2018-05-17 2018-11-06 上海尬词教育科技有限公司 语言学习方法、系统、程序产品及移动终端
CN110634338A (zh) * 2019-09-25 2019-12-31 北京艾斯酷科技有限公司 一种交互式英语单词学习方法及系统
US20210201690A1 (en) * 2019-12-31 2021-07-01 Tan Boon Keat Learning management system
CN114841149A (zh) * 2022-04-22 2022-08-02 珠海翼字科技有限公司 一种可设置打分等级的英语作文打分方法及系统
CN115204124A (zh) * 2022-07-29 2022-10-18 北京有竹居网络技术有限公司 词语例句生成方法、装置和电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
何琴;陈国静;: "从层次加工理论看词汇学习软件对词汇学习的影响", 知识经济, no. 04, 1 February 2020 (2020-02-01) *
胡韧奋;: "汉语词汇测试自动命题研究", 中文信息学报, no. 01, 15 January 2017 (2017-01-15) *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119721019A (zh) * 2023-09-27 2025-03-28 广东小天才科技有限公司 一种语法解析方法、装置、设备及系统
CN119721018A (zh) * 2023-09-27 2025-03-28 广东小天才科技有限公司 语法解析方法、装置、智能设备和存储介质
CN120472727A (zh) * 2025-04-29 2025-08-12 上海望圈网络科技有限公司 英语单词测试方法、系统、存储介质及电子设备

Also Published As

Publication number Publication date
CN116303879B (zh) 2025-12-23

Similar Documents

Publication Publication Date Title
CN116303879B (zh) 一种自适应的单词卡例句生成方法及系统
RU2607416C2 (ru) Крауд-сорсные системы обучения лексике
CN111259631B (zh) 一种裁判文书结构化方法及装置
WO2014127183A2 (en) Language learning systems and methods
Qiang et al. Chinese lexical simplification
CN110516232A (zh) 一种用于汉语评测的自动命题方法和系统
CN110853422A (zh) 一种沉浸式语言学习系统及其学习方法
Nugraha et al. Typographic-based data augmentation to improve a question retrieval in short dialogue system
Cavalli-Sforza et al. Arabic readability research: current state and future directions
CN116306597A (zh) 一种中文拼写纠错方法
CN116821377A (zh) 基于知识图谱和大模型的小学语文自动评测系统
Qiu et al. Automatic generation of multiple-choice cloze-test questions for lao language learning
CN109346108B (zh) 一种作业检查方法及系统
Chughtai et al. A lecture centric automated distractor generation for post-graduate software engineering courses
Lee et al. A BERT-based automatic scoring model of Korean language learners' essay
Long A grammatical error correction model for english essay words in colleges using natural language processing
CN113705208B (zh) 一种基于领域术语和关键句的中文问题自动生成方法及装置
CN115455152A (zh) 写作素材的推荐方法、装置、电子设备及存储介质
CN110390032B (zh) 一种手写作文的批阅方法及系统
Wilkens et al. SW4ALL: a CEFR classified and aligned corpus for language learning
CN111859915A (zh) 一种基于词频显著度水平的英文文本类别识别方法及系统
KR20230129305A (ko) 중국어 문자를 포함하는 텍스트 조각을 분석하기 위한 방법 및 시스템
CN110245331A (zh) 一种语句转换方法、装置、服务器及计算机存储介质
Firoozi Using automated procedures to score written essays in Persian: An application of the multilingual BERT system
Li An automated English translation judging system based on feature extraction algorithm

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant