[go: up one dir, main page]

JP2020042771A - Data analysis method and data analysis system - Google Patents

Data analysis method and data analysis system Download PDF

Info

Publication number
JP2020042771A
JP2020042771A JP2019091400A JP2019091400A JP2020042771A JP 2020042771 A JP2020042771 A JP 2020042771A JP 2019091400 A JP2019091400 A JP 2019091400A JP 2019091400 A JP2019091400 A JP 2019091400A JP 2020042771 A JP2020042771 A JP 2020042771A
Authority
JP
Japan
Prior art keywords
learning
data
learning data
server
sections
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.)
Pending
Application number
JP2019091400A
Other languages
Japanese (ja)
Inventor
實恭 李
Shi Gong Li
實恭 李
シー−ハン チャン
Shih-Han Chan
シー−ハン チャン
兆軒 柯
Chao-Hsuan Ko
兆軒 柯
國誠 藍
guo-cheng Lan
國誠 藍
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.)
Taida Electronic Industry Co Ltd
Delta Electronics Inc
Original Assignee
Taida Electronic Industry Co Ltd
Delta Electronics Inc
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 Taida Electronic Industry Co Ltd, Delta Electronics Inc filed Critical Taida Electronic Industry Co Ltd
Publication of JP2020042771A publication Critical patent/JP2020042771A/en
Pending legal-status Critical Current

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
    • G06F16/40—Information retrieval; Database structures therefor; File system structures therefor of multimedia data, e.g. slideshows comprising image and additional audio data
    • G06F16/43—Querying
    • G06F16/435—Filtering based on additional data, e.g. user or group profiles
    • G06F16/437—Administration of user profiles, e.g. generation, initialisation, adaptation, distribution

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)
  • Machine Translation (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

【課題】データ分析方法及びそのデータ分析システムを提供する。【解決手段】データ分析方法は、まず第１学習データを受信して、更に前記第１学習データに複数のセグメンテーションマークを加えて（Ｓ３０６、Ｓ３０７）、前記第１学習データを複数の第１学習セクションに分割する。前記第１学習セクションは、時間順序に応じて互いに接続される。各第１学習セクションから各第１学習セクションのそれぞれに対応する第１キーワード文字列を選別する。分析命令を受信して、且つ分析命令と各第１学習セクションのそれぞれの第１キーワード文字列に対して分析して、分析命令と対応する各第１学習セクションとの類似度を得る。最後に、最高の類似度を有する第１学習セクションを選別する。【選択図】図３PROBLEM TO BE SOLVED: To provide a data analysis method and a data analysis system thereof. SOLUTION: In a data analysis method, first training data is first received, a plurality of segmentation marks are added to the first training data (S306, S307), and the first training data is subjected to a plurality of first learnings. Divide into sections. The first learning sections are connected to each other in chronological order. The first keyword character string corresponding to each of the first learning sections is selected from each first learning section. The analysis instruction is received and analyzed for the analysis instruction and each first keyword character string of each first learning section to obtain the similarity between the analysis instruction and each corresponding first learning section. Finally, the first learning section with the highest similarity is selected. [Selection diagram] Fig. 3

Description

本開示内容は、分析命令に基づいて対応する学習データを選別するためのデータ分析方法及びデータ分析システムに関する。   The present disclosure relates to a data analysis method and a data analysis system for selecting corresponding learning data based on an analysis instruction.

オンライン学習プラットフォームとは、数多くの学習データをサーバに記憶して、インターネットによってサーバに接続されて、ユーザが学習データを随時に閲覧できるようにするネットワークサービスである。従来の各種類のオンライン学習プラットフォームにおいて、提供された学習データタイプは、ビデオ、オーディオ、メッセージ、ファイル又はフォーラム等を含む。   The online learning platform is a network service that stores a large amount of learning data in a server and is connected to the server via the Internet so that a user can browse the learning data at any time. In each type of conventional online learning platform, the provided learning data types include video, audio, message, file or forum.

台湾特許第Ｉ５５９７７２号には、ファイルの捜索方法が開示されている。しかしながら、この方法は、学習データに対して分析を行っていないため、使用者が学習データを捜索する場合の効率や正確性を効果的に改善することはできない。   Taiwan Patent No. I55972 discloses a method of searching for a file. However, since this method does not analyze the learning data, it cannot effectively improve the efficiency and accuracy when the user searches for the learning data.

米国特許第ＵＳ８６６７５２１号には、ビデオにおいて識別を行う方法が開示されている。その技術は、使用者がビデオを鑑賞する場合、ビデオの内容についてメッセージを発信する。しかしながら、ＵＳ８６６７５２１では捜索方法について改良を加えていないため、使用者は、ビデオの内容についてメッセージを発信できるとしても、ビデオを見ていないうちに、正確な捜索方法によって、予期する内容を快速に探し出すことはできない。   U.S. Pat. No. 8,667,521 discloses a method for performing identification in video. The technology sends a message about the content of the video when the user watches the video. However, since the search method is not improved in US8666721, even if the user can send a message about the content of the video, the user can quickly find the expected content by an accurate search method without watching the video. It is not possible.

オンライン学習プラットフォームに膨大な数の学習データが記憶されるので、ユーザは、オンライン学習プラットフォームから関連する学習データを閲覧するために、自らの要求に応じて捜索命令を入力する必要があり、まだ改良できる余地がある。   With the huge amount of learning data stored in the online learning platform, users need to input search commands at their own request to browse relevant learning data from the online learning platform, and still improve There is room to do it.

本開示内容の一態様は、第１学習データを受信する工程と、第１学習データに複数の第１セグメンテーションマークを加えて、第１学習データを複数の第１学習セクションに分割する工程と、前記第１学習セクションの各々に基づいて、各第１学習セクションのそれぞれに対応する第１キーワード文字列を生成する工程と、ユーザの操作に関連する分析命令を受信する工程と、分析命令と各第１学習セクションのそれぞれの第１キーワード文字列に対して分析して、分析命令と対応する各第１学習セクションとの複数の第１類似度を得る工程と、前記第１学習セクションから最高の類似度を有する１つの第１学習セクションを選別する工程と、を含むデータ分析方法である。   One aspect of the present disclosure includes a step of receiving first learning data, a step of adding a plurality of first segmentation marks to the first learning data, and dividing the first learning data into a plurality of first learning sections. Generating a first keyword string corresponding to each of the first learning sections based on each of the first learning sections; receiving an analysis instruction related to a user operation; Analyzing each of the first keyword strings in the first learning section to obtain a plurality of first similarities between the analysis instruction and the corresponding first learning sections; Selecting one first learning section having similarity.

本開示内容の他の態様は、第１学習データを受信するための第１サーバと、第１サーバから第１学習データを受信して記憶するための記憶ユニットと、第１学習データに複数の第１セグメンテーションマークを加えて、第１学習データを複数の第１学習セクションに分割して、前記第１学習セクションの各々に基づいて、各第１学習セクションのそれぞれに対応する第１キーワード文字列を生成し、分析命令を受信して、更に分析命令と各第１学習セクションのそれぞれの第１キーワード文字列に対して分析して、分析命令と対応する各第１学習セクションとの複数の第１類似度を得て、且つ前記第１学習セクションから最高の類似度を有する１つの第１学習セクションを選別するための第２サーバと、を含むデータ分析システムである。   Other aspects of the present disclosure include a first server for receiving first learning data, a storage unit for receiving and storing first learning data from the first server, and a plurality of first learning data in the first learning data. A first segmentation mark is added to divide the first learning data into a plurality of first learning sections, and a first keyword character string corresponding to each of the first learning sections based on each of the first learning sections. And receiving the analysis instruction, further analyzing the analysis instruction and the first keyword string of each of the first learning sections, and analyzing the plurality of first instructions of the analysis instruction and the corresponding first learning sections. A second server for obtaining one similarity and selecting one first learning section having the highest similarity from the first learning section.

これにより、データ分析システムが第１学習データに対して第１セグメンテーションマークを加えて、且つ第１学習セクションを分割した後、各第１学習セクションで第１キーワード文字列を生成するので、後で、ユーザは、データ分析システムにログインする時、第１学習データの各第１学習セクションが正確に検索され、又はデータ分析システムは適合な学習セクションをユーザに積極的に推薦して、ユーザの操作体験を改善することができる。   With this, the data analysis system adds the first segmentation mark to the first learning data and divides the first learning section, and then generates the first keyword character string in each first learning section. When the user logs in to the data analysis system, each first learning section of the first learning data is accurately searched, or the data analysis system actively recommends a suitable learning section to the user and operates the user. Experience can be improved.

本開示内容の一部の実施例によるデータ分析システムを示す模式図である。1 is a schematic diagram illustrating a data analysis system according to some embodiments of the present disclosure. 本開示内容の一部の実施例による第１学習データのテキストファイルの模式図である。FIG. 4 is a schematic diagram of a text file of first learning data according to some embodiments of the present disclosure; 本開示内容の一部の実施例による第１学習データの画像画面の模式図である。FIG. 10 is a schematic diagram of an image screen of first learning data according to some embodiments of the present disclosure. 本開示内容の一部の実施例によるデータ分析方法を示す模式図である。1 is a schematic diagram illustrating a data analysis method according to some embodiments of the present disclosure. 本開示内容の一部の実施例によるデータ分析方法を示す模式図である。1 is a schematic diagram illustrating a data analysis method according to some embodiments of the present disclosure.

以下、図面で本発明の複数の実施形態を開示し、明らかに説明するために、数多くの実際的な細部を下記の叙述で合わせて説明する。しかしながら、理解すべきなのは、これらの実際的な細部が、本発明を制限するためのものではない。つまり、本発明の実施形態の一部においては、これらの実際的な細部は、必要としないものである。また、図面を簡略化するために、ある従来慣用の構造及び素子は、図面において簡単で模式的に示される。   In the following, numerous practical details are set forth in the following description to disclose and demonstrate the embodiments of the present invention in the drawings. It should be understood, however, that these practical details are not intended to limit the invention. That is, in some embodiments of the present invention, these practical details are not required. Also, for simplicity of the drawings, certain conventional structures and elements are shown schematically and schematically in the drawings.

本文において、ある素子が「接続」又は「結合」されると言われる場合、「電気的接続」又は「電気的結合」を指すこともある。「接続」又は「結合」は、２つ又は複数の素子同士の互いの協力操作や対話を表すことに用いてもよい。また、本文では、「第１の」、「第２の」等の用語を使用して異なる素子を説明するが、前記用語は単に同じ技術用語で説明する素子又は操作を区別するためのものである。上下文で明記されない限り、前記用語は、順番や順位を特に指し又は示唆するものでもなく、本発明を限定するものでもない。   In this text, when an element is referred to as “connected” or “coupled”, it may refer to “electrical connection” or “electrical coupling”. “Connection” or “coupling” may be used to represent mutual cooperation or interaction between two or more elements. Also, different elements are described herein using terms such as "first", "second", etc., but the terms are merely to distinguish elements or operations described in the same technical term. is there. Unless explicitly stated above, the terms do not particularly refer to or suggest order or ranking, nor do they limit the invention.

従来のオンライン学習プラットフォームにおいて、ユーザが捜索命令を入力すると、サーバは、捜索命令を学習データのファイル名称、字幕テキスト又はマーク（例えば、メッセージ）のみと比較して選別する。しかし、学習データの内容が巨大（例えば、２時間のビデオ）であると、ユーザは、自分の要求に最も関連するセクションを見つけるために、依然として学習データを手動調整する必要がある（例えば、プレイタイムを４５分目に調整する必要がある）。つまり、従来のオンライン学習プラットフォームの分析メカニズムでは、名称又は字幕のみを捜索することができるが、必要に応じて細かい検索を行うことができない。なお、主動的に捜索する以外、ユーザは、自分の興味を持つ学習データを見つけることができない。   In a conventional online learning platform, when a user inputs a search command, the server compares the search command with only a file name, subtitle text or mark (for example, a message) of the learning data to select. However, if the content of the training data is huge (eg, a two-hour video), the user will still need to manually adjust the training data to find the section most relevant to his request (eg, play Time needs to be adjusted to 45 minutes). That is, the analysis mechanism of the conventional online learning platform can search only the name or subtitle, but cannot perform a detailed search as needed. It should be noted that the user cannot find any learning data of his or her interest other than actively searching.

図１は、本開示内容の一部の実施例によるデータ分析システムの模式図である。図１を参照されたい。本開示内容は、データ分析システムに関する。データ分析システム１００は、第１サーバ１１０と、第２サーバ１２０と、記憶ユニット１３０と、を含む。本実施例において、第１サーバ１１０が第２サーバ１２０に電気的に接続されるが、他の実施例において、第１サーバ１１０と第２サーバ１２０とがネットワークによって接続を確立して、データ伝送を行うことができる。記憶ユニット１３０は、例えば、フラッシュメモリ、メモリカード、ハードドライブ等のデータ記憶装置である。一部の実施例において、記憶ユニット１３０は、独立したサーバに記憶される。他の部分の実施例において、記憶ユニット１３０が第１サーバ１１０又は第２サーバ１２０に設けられてよい。他の実施例において、第１サーバ１１０と第２サーバ１２０は単一のサーバに組み合わせられてよい。   FIG. 1 is a schematic diagram of a data analysis system according to some embodiments of the present disclosure. Please refer to FIG. The present disclosure relates to a data analysis system. The data analysis system 100 includes a first server 110, a second server 120, and a storage unit 130. In this embodiment, the first server 110 is electrically connected to the second server 120. In another embodiment, the first server 110 and the second server 120 establish a connection via a network and transmit data. It can be performed. The storage unit 130 is, for example, a data storage device such as a flash memory, a memory card, or a hard drive. In some embodiments, storage unit 130 is stored on a separate server. In another embodiment, the storage unit 130 may be provided in the first server 110 or the second server 120. In another embodiment, the first server 110 and the second server 120 may be combined into a single server.

本実施例において、データ分析システム１００は、オンライン学習サービスを提供することに用いられる。例えば、ユーザは、端末装置２００（例えば、パーソナルコンピュータ、ノートパソコン又はマートフォン）によって第１サーバ１１０に接続されて、オンライン学習インターフェースを閲覧することができる。ユーザが学習内容を閲覧しようとする時、第１サーバ１１０は、その内部のプロセッサによって記憶ユニット１３０から対応するファイルを取得することができる。第２サーバ１２０は、その内部のプロセッサによって分類、管理及び統計等の機能を実行する。しかし、本開示内容の適用形態は、これに限定されない。データ分析システム１００は、ビデオストリーミングプラットフォーム又はネットワークディスカッションフォーラム等に適用されてもよい。   In this embodiment, the data analysis system 100 is used for providing an online learning service. For example, the user can be connected to the first server 110 by the terminal device 200 (for example, a personal computer, a notebook computer, or a smartphone) to view the online learning interface. When the user attempts to browse the learning content, the first server 110 can obtain the corresponding file from the storage unit 130 by the internal processor. The second server 120 executes functions such as classification, management, and statistics by the internal processor. However, the application form of the present disclosure is not limited to this. The data analysis system 100 may be applied to a video streaming platform or a network discussion forum or the like.

第１サーバ１１０は、複数の学習データを受信することに用いられる。一部の実施例において、第１サーバ１１０は、インターネットによって、端末装置２００から学習データを受信する。学習データは、ビデオ、音声、メッセージ又はディスカッション文字列であってよい。説明しやすいように、本実施例において、複数の学習データを第１学習データ１３１ａ、第２学習データ１３１ｂ及び第３学習データ１３１ｃに細分することで説明する。しかし、本開示内容はこれに限定されず、学習データの数を任意に調整してよい。   The first server 110 is used for receiving a plurality of learning data. In some embodiments, the first server 110 receives the learning data from the terminal device 200 via the Internet. The learning data may be a video, audio, message, or discussion string. For ease of explanation, in the present embodiment, a description will be given by subdividing a plurality of learning data into a first learning data 131a, a second learning data 131b, and a third learning data 131c. However, the present disclosure is not limited to this, and the number of learning data may be arbitrarily adjusted.

一部の実施例において、第１サーバ１１０は、端末装置２００から第１学習データ１３１ａを受信した後、第１学習データ１３１ａを記憶ユニット１３０にアップロードすると共に、通知情報を第２サーバ１２０に伝送する。第２サーバ１２０は、記憶ユニット１３０に接続されて、第１学習データ１３１ａに複数の第１セグメンテーションマークを加えて、第１学習データ１３１ａがこれらの第１セグメンテーションマークにより複数の第１学習セクションに分割されるようにする。部分的な実施例において、これらの第１学習セクションは、時系列的に順位付け（例えば、第１学習データ１３１ａに予め設置された時間軸）されて互いに接続する。   In some embodiments, after receiving the first learning data 131a from the terminal device 200, the first server 110 uploads the first learning data 131a to the storage unit 130 and transmits the notification information to the second server 120. I do. The second server 120 is connected to the storage unit 130, adds a plurality of first segmentation marks to the first learning data 131a, and divides the first learning data 131a into a plurality of first learning sections by using the first segmentation marks. Make it split. In a partial embodiment, these first learning sections are ranked in chronological order (for example, a time axis set in advance in the first learning data 131a) and connected to each other.

例としては、第１学習データ１３１ａが３０分間のビデオファイルであると、第２サーバ１２０は、ビデオ時間の１０分、２０分の時点にそれぞれ第１セグメンテーションマークを加えて、ビデオファイルを３つの第１学習セクションに分割することができる。同様に、第１学習データが１０ページのメッセージファイルであると、第２サーバ１２０は、それぞれ第２、５、７ページの所に第１セグメンテーションマークを加えて、メッセージファイルを４つの学習セクションに分けることができる。他の部分の実施例において、これらの第１学習セクションは、順番のみを有するが、必ずしも互いに接続されなくてもよい。例えば、第１学習セクションはビデオの１〜２０分目の段落であり、第２学習セクションはビデオの３０〜４５分目の段落である。   As an example, if the first learning data 131a is a video file of 30 minutes, the second server 120 adds the first segmentation mark at the time points of 10 minutes and 20 minutes of the video time, respectively, and divides the video file into three. It can be divided into a first learning section. Similarly, if the first learning data is a 10-page message file, the second server 120 adds a first segmentation mark at the second, fifth, and seventh pages, respectively, and divides the message file into four learning sections. Can be divided. In other part embodiments, these first learning sections have only an order but need not necessarily be connected to each other. For example, the first learning section is a 1st to 20th minute paragraph of the video, and the second learning section is a 30th to 45th minute paragraph of the video.

一部の実施例において、セグメンテーションマークは、第１学習データ１３１ａに加えられた識別用タグ（ｔａｇ）又は識別子（ｉｄｅｎｔｉｆｉｅｒ）であり、これによって第１サーバ１１０又は第２サーバ１２０は、第１学習データ１３１ａの特定部分の内容をすばやく見つけることができるが、セグメンテーションマークの態様はこれに限定されない。セグメンテーションマークの生成形態については、後で詳細に説明する。   In some embodiments, the segmentation mark is a tag or an identifier added to the first learning data 131a, so that the first server 110 or the second server 120 can perform the first learning. Although the content of a specific portion of the data 131a can be quickly found, the form of the segmentation mark is not limited to this. The generation form of the segmentation marks will be described later in detail.

第２サーバ１２０は、第１学習データ１３１ａに第１セグメンテーションマークを加えた後、各第１学習セクションから、それぞれの第１キーワード文字列（ｋｅｙｗｏｒｄ ｓｔｒｉｎｇ）を分析する。一部の実施例において、第１キーワード文字列は少なくとも１つのキーワードを含む。例えば、３つの第１学習セクションに分割されたビデオファイルに対して、各第１学習セクションのキーワード文字列は「プロジェクター、画像、原理」、「高周波信号、シャープネス、エンハンスメント」及び「プロモーション、明瞭度」であってよい。部分的な実施例において、第１キーワード文字列は各第１学習セクションにおいて出現頻度が設定値よりも高い文字内容であってよい。第１キーワード文字列の分析形態については、後で詳細に説明する。   After adding the first segmentation mark to the first learning data 131a, the second server 120 analyzes each first keyword character string (keyword string) from each first learning section. In some embodiments, the first keyword string includes at least one keyword. For example, for a video file divided into three first learning sections, the keyword strings in each first learning section are “projector, image, principle”, “high frequency signal, sharpness, enhancement” and “promotion, intelligibility”. ". In a partial embodiment, the first keyword character string may be character content whose appearance frequency is higher than a set value in each first learning section. The analysis form of the first keyword character string will be described later in detail.

第２サーバ１２０は、第１学習データ及び対応する第１セグメンテーションマーク及び第１キーワード文字列を記憶ユニット１３０に記憶することに用いられる。一部の実施例において、第１サーバ１１０は、第１学習データ１３１ａを記憶ユニット１３０内のコースデータベース１３１に記憶する。第２サーバ１２０は、第１セグメンテーションマークを生成して且つ第１キーワード文字列を生成した後、第１セグメンテーションマーク、第１キーワード文字列を記憶ユニット１３０の分析データベース１３２に記憶する。他の部分の実施例において、第２サーバ１２０は、更に分析データベース１３２で第１学習データに対応する第１識別コードを記憶することで、第１セグメンテーションマーク、第１キーワード文字列は第１識別コードによって、コースデータベース１３１の中の第１学習データに対応することができる。   The second server 120 is used to store the first learning data, the corresponding first segmentation mark, and the first keyword character string in the storage unit 130. In some embodiments, the first server 110 stores the first learning data 131a in the course database 131 in the storage unit 130. After generating the first segmentation mark and generating the first keyword character string, the second server 120 stores the first segmentation mark and the first keyword character string in the analysis database 132 of the storage unit 130. In another embodiment, the second server 120 further stores the first identification code corresponding to the first learning data in the analysis database 132, so that the first segmentation mark and the first keyword character string are the first identification code. The code can correspond to the first learning data in the course database 131.

本開示内容のデータ分析システム１００は、ユーザの操作に関連する分析命令に基づいて、ユーザへ適合な学習データを推薦することができる。部分的な実施例において、第１サーバ１１０は、分析命令を第２サーバ１２０に伝送することに用いられる。次に、第２サーバ１２０は、分析命令に基づいて記憶ユニット１３０に接続され、分析命令と各第１学習セクションのそれぞれの第１キーワード文字列に対して分析して、分析命令と対応する各第１学習セクションの第１キーワード文字列のそれぞれとの第１類似度を得る。第２サーバ１２０はこれらの第１学習セクションから、最高の類似度を有する第１学習セクションを選別して、且つ選別された第１学習セクションを分析情報に統合し、端末装置２００に伝送して、端末装置２００で表示する（例えば、検索画面又は推薦画面を表示する）。   The data analysis system 100 according to the present disclosure can recommend suitable learning data to a user based on an analysis command related to a user operation. In some embodiments, the first server 110 is used to transmit the analysis command to the second server 120. Next, the second server 120 is connected to the storage unit 130 based on the analysis instruction, analyzes the analysis instruction and the first keyword character string of each first learning section, and analyzes the analysis instruction and the corresponding A first similarity with each of the first keyword character strings in the first learning section is obtained. The second server 120 selects the first learning section having the highest similarity from the first learning sections, integrates the selected first learning section into the analysis information, and transmits the analysis information to the terminal device 200. Is displayed on the terminal device 200 (for example, a search screen or a recommendation screen is displayed).

次に、分析命令の生成形態とタイミングを説明する。一部の実施例において、分析命令は、ユーザの操作（例えば、検索動作）によって生成されることができ、且つ分析命令は端末装置２００から伝送された第１捜索命令を含む。例としては、第１捜索命令は捜索文字列「プロジェクター、原理」であってよいが、第１学習データ１３１ａの中の３つの第１学習セクションのキーワード文字列はそれぞれ「プロジェクター、画像、原理」、「高周波信号、シャープネス、エンハンスメント」及び「プロモーション、明瞭度」である。分析処理（例えば、文字列の類似度を比較する）によって、第１個の学習セクションの第１キーワード文字列が捜索文字列と最も類似であり、このため、第２サーバ１２０は、第１サーバ１１０によって比較結果を端末装置２００にリターン（例えば、ユーザインターフェースで１つの推薦結果を表示する）するので、ユーザは、第１学習データ１３１ａの第１学習セクションが捜索命令と最も類似であることを知る。他の部分の実施例において、第２サーバ１２０は捜索命令をすべての学習データ１３１ａ〜１３１ｃの中の各学習セクションのキーワード文字列と比較することができるので、捜索命令と最も関連する学習データ及び対応する学習セクションを高精度に判断する。   Next, the generation form and timing of the analysis instruction will be described. In some embodiments, the analysis command may be generated by a user operation (eg, a search operation), and the analysis command may include a first search command transmitted from the terminal device 200. As an example, the first search command may be a search character string “projector, principle”, but the keyword character strings of the three first learning sections in the first learning data 131a are “projector, image, principle”, respectively. , “High-frequency signal, sharpness, enhancement” and “promotion, clarity”. Through the analysis process (for example, comparing the similarities of the character strings), the first keyword character string of the first learning section is most similar to the search character string, and thus the second server 120 Because the comparison result is returned to the terminal device 200 according to 110 (for example, one recommendation result is displayed on the user interface), the user determines that the first learning section of the first learning data 131a is most similar to the search command. know. In another embodiment, the second server 120 can compare the search command with the keyword string of each learning section in all the learning data 131a to 131c, so that the learning data most relevant to the search command and The corresponding learning section is determined with high accuracy.

他の部分の実施例において、ユーザは、端末装置２００によって第１捜索命令を入力し、且つ第１捜索命令は口語化（セマンティクス式）の一部の文字内容であってよく、即ち第１捜索命令はセマンティクス式の文字内容、例えば、「プロジェクターのエンハンスメント原理は何ですか」であってよい。第２サーバ１２０は、第１捜索命令に対して分析処理を行って、捜索文字列を生成する。部分的な実施例において、第２サーバ１２０はセマンティクス分析技術を利用して捜索命令を分析して、例えば、前記第１捜索命令は「プロジェクター」、「原理」、「何」等の捜索字と分析することができる。次に、更に捜索文字列と各第１学習セクションの第１キーワード文字列を利用して比較する。当業者はセマンティクス分析の動作原理を理解することができるので、ここで繰り返して説明しない。   In another part of the embodiment, the user inputs a first search command through the terminal device 200, and the first search command may be a part of the character content of the spoken word (semantics), that is, the first search command. The command may be semantic textual content, for example, "What is the enhancement principle of the projector?" The second server 120 performs an analysis process on the first search command to generate a search character string. In some embodiments, the second server 120 analyzes the search command using a semantics analysis technique. For example, the first search command may include search characters such as “projector”, “principle”, “what”, and the like. Can be analyzed. Next, the search character string is compared with the first keyword character string of each first learning section. Those skilled in the art will understand the principle of operation of the semantic analysis, and will not be described again here.

他の部分の実施例において、分析命令はデータ分析システム１００が主動的に生成した推薦命令であってよい。つまり、第１サーバ１１０は、ユーザの操作によって分析命令を生成することができる。例としては、第１サーバ１１０は、端末装置２００がデータ分析システム１００に接続されると判断する時（例えば、ユーザがオンライン学習システムにログインする）、第１サーバ１１０は、分析命令を生成して、第２サーバ１２０によって、ユーザに興味があるかもしれないファイルを主動的に分析する。又は、第１サーバ１１０は、ユーザの操作動作によって、ユーザの操作が所定の条件に合致すると判断する時（例えば、ユーザが学習データを閲覧する時間は半時間に達し、ユーザは学習データに対して質問、情報又はマークを行う）、更に分析命令を生成する。   In another embodiment, the analysis instruction may be a recommendation instruction that is dynamically generated by the data analysis system 100. That is, the first server 110 can generate an analysis command by a user operation. For example, when the first server 110 determines that the terminal device 200 is connected to the data analysis system 100 (for example, a user logs in to the online learning system), the first server 110 generates an analysis command. Then, the second server 120 actively analyzes files that may be of interest to the user. Alternatively, when the first server 110 determines that the user's operation satisfies a predetermined condition by the operation of the user (for example, the time when the user browses the learning data reaches half an hour, Question, information or mark) and generate further analysis instructions.

他の部分の実施例において、第１サーバ１１０は、ユーザの操作が所定の条件に合致すると確認した後、更に記憶ユニット１３０に記憶された行為データによって分析命令を生成する。例としては、データ分析システム１００は、記憶ユニット１３０における行為データベース１３３に記憶された行為データ（例えば、ユーザの使用記録）によって分析命令を生成することができ、行為データの細部については、後で詳細に説明する。   In another embodiment, the first server 110 may further generate an analysis command based on the action data stored in the storage unit 130 after confirming that the user's operation meets a predetermined condition. As an example, the data analysis system 100 can generate an analysis instruction with the action data (eg, user usage records) stored in the action database 133 in the storage unit 130, and for details of the action data, This will be described in detail.

なお、部分的な実施例において、第１サーバ１１０は、ユーザの操作が所定の条件に合致すると確認すると、分析命令を生成し、且つ第２サーバ１２０はこれによって分析命令に最も近い第１学習セクションを選別した後、第２サーバ１２０は先に選別された第１学習セクションを記憶ユニット１３０における推薦データベース１３４に記憶することができる。第１サーバ１１０は予め設置された推薦時刻（例えば、ユーザがオンライン学習システムをログイン又はログアウトする時、ユーザが１つのビデオを閲覧し終わった後）で、更に推薦データベース１３４に記憶された第１学習セクションを端末装置２００に伝送することができる。   In a partial embodiment, if the first server 110 confirms that the user's operation meets a predetermined condition, the first server 110 generates an analysis instruction, and the second server 120 thereby generates the first learning instruction closest to the analysis instruction. After selecting the sections, the second server 120 may store the first selected learning sections in the recommendation database 134 in the storage unit 130. The first server 110 may store the first recommended time stored in the recommendation database 134 at a preset recommended time (for example, when the user logs in or logs out of the online learning system, after the user finishes viewing one video). The learning section can be transmitted to the terminal device 200.

これによって、データ分析システム１００は、第１学習データ１３１ａを受信した後、まず第１学習データ１３１ａを複数の第１学習セクションに細分して、且つ各第１学習セクションが対応する第１キーワード文字列を有する。このため、後でユーザがデータ分析システム１００にログインした後、データ分析システム１００は、分析命令に基づいて、適合な学習データをユーザに正確的に提供することができる。以上のように、本開示内容は、第１に、ユーザがデータ分析システム１００を利用して検索を行う時、データ分析システム１００は、第１捜索命令と最も類似である第１学習データ１３１ａを見つける以外、更に第１学習データ１３１ａにおける第１捜索命令に最も類似である学習セクションを正確的に見つけることができること、第２に、ユーザはデータ分析システム１００にログインする時、第１サーバ１１０は、ユーザの操作によって、予め設置された条件に合致する時分析命令（例えば、ユーザの使用記録を捜索する）を生成して、更に分析命令に基づいて対応する第１学習セクションを見つけて、ユーザに推薦するという２種の適用方式を少なくとも含む。これによって、データ分析システム１００が分析及び捜索での精度を大幅に向上させることができるとともに、ユーザの使用体験を改善することができる。   Thereby, after receiving the first learning data 131a, the data analysis system 100 first subdivides the first learning data 131a into a plurality of first learning sections, and the first keyword character corresponding to each first learning section. With columns. Therefore, after the user logs in to the data analysis system 100 later, the data analysis system 100 can accurately provide the user with appropriate learning data based on the analysis instruction. As described above, according to the present disclosure, first, when a user performs a search using the data analysis system 100, the data analysis system 100 transmits the first learning data 131a that is most similar to the first search command. In addition to finding, the learning section that is most similar to the first search command in the first learning data 131a can be accurately found. Second, when the user logs in to the data analysis system 100, the first server 110 Generating an analysis command (e.g., searching a user's usage record) according to a user's operation and matching a preset condition, further finding a corresponding first learning section based on the analysis command, At least two application methods. As a result, the accuracy of the data analysis system 100 in analysis and search can be greatly improved, and the user's use experience can be improved.

次に、セグメンテーションマークの生成方式を説明し、同時に図１及び図２Ａを参照されたい。図２Ａは、本開示内容の一部の実施例による第１学習データ１３１ａのテキストファイル模式図である。一部の実施例において、第１学習データ１３１ａはテキストファイルＡ１（例えば、字幕）を含む。第２サーバ１２０は前記第１学習データ１３１ａを受信した後、テキストファイルＡ１に対して分析処理を行って、例えば、セマンティクス分析方法で複数の特徴句を生成する。これらの特徴句の間に順次関係を有する。次に、隣り合う特徴句の間の類似度を計算して、第１セグメンテーションマークを生成する。   Next, the generation method of the segmentation marks will be described, while referring to FIGS. 1 and 2A. FIG. 2A is a schematic diagram of a text file of the first learning data 131a according to some embodiments of the present disclosure. In some embodiments, the first learning data 131a includes a text file A1 (eg, subtitles). After receiving the first learning data 131a, the second server 120 performs an analysis process on the text file A1, and generates a plurality of feature phrases by, for example, a semantics analysis method. There is a sequential relationship between these feature phrases. Next, a similarity between adjacent feature phrases is calculated to generate a first segmentation mark.

例としては、テキストファイルＡ１を分析した後、生成した特徴句は「プロジェクターが画像信号によって発光ユニットを調整する」、「発光ユニットから出射された光線は画像画面に反射される」、「他種のタイプのプロジェクターにおいて」を含む。前記第１句の特徴句及び第２句の特徴句はすべて同じ単語「画像、発光」を有し、類似度が比較的高くて、第２句の特徴句と第３句の特徴句との類似度が比較的低い。このため、第２サーバ１２０は隣り合う特徴句の類似度が所定値よりも低いと判断する時（例えば、完全に同じ単語がない又はその中の１句が回転句であり、例えば、「他の実施例において〜」）、第２サーバ１２０は、第１セグメンテーションマークを生成する。これによって、テキストファイルＡ１を複数の第１学習セクションＡ１１〜Ａ１４に分割する。   For example, after analyzing the text file A1, the generated characteristic phrases are "the projector adjusts the light emitting unit according to the image signal", "the light emitted from the light emitting unit is reflected on the image screen", and "other types". In the type of projector ". The characteristic phrase of the first phrase and the characteristic phrase of the second phrase all have the same word "image, light emission", have relatively high similarity, and are different from the characteristic phrase of the second phrase and the characteristic phrase of the third phrase. The similarity is relatively low. For this reason, when the second server 120 determines that the similarity between adjacent feature phrases is lower than a predetermined value (for example, there is no completely identical word or one of the phrases is a revolving phrase, for example, “Other In the embodiment, the second server 120 generates a first segmentation mark. Thus, the text file A1 is divided into a plurality of first learning sections A11 to A14.

前記実施例において、テキストファイルＡ１はセマンティクス分析技術によって特徴句を生成することができ、且つ特徴句の間の類似度を計算するが、本開示内容はこれに限定されない。部分的な実施例において、第２サーバ１２０におけるプロセッサはまずテキストファイルＡ１にバイナリ処理を行い、そして、データ比較によって、類似性を判断して、特徴句を確立するか又は特徴句の間の類似度を判断しても良い。   In the above embodiment, the text file A1 can generate a feature phrase by a semantics analysis technique and calculates the similarity between the feature phrases, but the present disclosure is not limited thereto. In a partial embodiment, the processor at the second server 120 first performs a binary operation on the text file A1 and then determines the similarity by comparing the data to establish the characteristic phrases or to determine the similarity between the characteristic phrases. The degree may be determined.

前記実施例におけるテキストファイルとは、ビデオの字幕又はメッセージの文字内容を指し、テキストファイルが「ネットワークフォーラムのディスカッション内容」であると、依然として同じ原理でセグメンテーションすることができる。同様に、第１学習データ１３１ａは音声ファイルを含むと、第２サーバ１２０はまず語音認識によって、テキストファイルＡ１を生成し、そして、セマンティクス分析を行って、複数の特徴句を生成してよい。   The text file in the above embodiment refers to the subtitles of the video or the textual content of the message, and if the text file is “the content of discussions in a network forum”, segmentation can still be performed on the same principle. Similarly, if the first learning data 131a includes a voice file, the second server 120 may first generate a text file A1 by speech recognition and then perform a semantic analysis to generate a plurality of characteristic phrases.

他の部分の実施例において、図２Ｂを参照されたい。第１学習データ１３１ｂは画像ファイルＢ１を含む。画像ファイルＢ１は複数の画像画面Ｂ０１〜Ｂ０４を更に含む。画像画面Ｂ０１〜Ｂ０４はビデオファイルにおける時間順序に従って接続された複数のフレーム画面であってよい。第２サーバ１２０は、第１セグメンテーションマークを生成するように、隣り合うこれらの画像画面Ｂ０１〜Ｂ０４の類似度を判断することに用いられる。例としては、画像画面Ｂ０１〜Ｂ０２はプロジェクターを表示するための構造図であり、画像画面Ｂ０３〜Ｂ０４は光線投影を表示するためのパスマップである。画像画面Ｂ０２、Ｂ０３間の類似度が比較的低いので、第２サーバ１２０は画像画面Ｂ０２、Ｂ０３間に第１セグメンテーションマークを加えて、複数の第１学習セクションＢ１１、Ｂ１２を形成することができる。   In another example, see FIG. 2B. The first learning data 131b includes an image file B1. The image file B1 further includes a plurality of image screens B01 to B04. The image screens B01 to B04 may be a plurality of frame screens connected according to the time order in the video file. The second server 120 is used to determine the similarity between these adjacent image screens B01 to B04 so as to generate the first segmentation mark. As an example, the image screens B01 to B02 are structural diagrams for displaying the projector, and the image screens B03 to B04 are path maps for displaying the light ray projection. Since the similarity between the image screens B02 and B03 is relatively low, the second server 120 can form a plurality of first learning sections B11 and B12 by adding a first segmentation mark between the image screens B02 and B03. .

図２Ａを再び参照されたい。ここで、以下のようにデータ分析システム１００が第１キーワード文字列を生成する方法を説明する。第２サーバ１２０は、第１学習データ１３１ａにおけるテキストファイルＡ１に分析処理（例えば、セマンティクス認識分析）を行って、複数の特徴文字を生成する。次に、第２サーバ１２０で上記のように第１セグメンテーションマークを生成し、第１学習データ１３１ａは複数の第１学習セクションＡ１１〜Ａ１４又はＢ１１〜Ｂ１２に分割された後、第２サーバ１２０は各第１学習セクションＡ１１〜Ａ１４又はＡ２１〜Ａ２２での特徴文字の数を判断し、数は閾値よりも大きい時、それを第１キーワード文字列として設定する。例としては、テキストファイルＡ１の１つの第１学習セクションＡ１１には「プロジェクターは画像信号によって発光ユニットを調整し、発光ユニットから出射された光線は画像画面に反射される」を含むと、そのうち、「画像」が２回出現し、「発光ユニット」が２回出現し、「プロジェクター、光線」が何れもそれぞれ１回出現する。第２サーバ１２０は２回出現した特徴文字「画像、発光ユニット」を第１キーワード文字列として設定することができる。   Please refer to FIG. 2A again. Here, a method in which the data analysis system 100 generates the first keyword character string as described below will be described. The second server 120 performs an analysis process (for example, semantics recognition analysis) on the text file A1 in the first learning data 131a to generate a plurality of characteristic characters. Next, the first segmentation mark is generated in the second server 120 as described above, and the first learning data 131a is divided into a plurality of first learning sections A11 to A14 or B11 to B12. The number of characteristic characters in each of the first learning sections A11 to A14 or A21 to A22 is determined, and when the number is larger than a threshold, it is set as a first keyword character string. As an example, one of the first learning sections A11 of the text file A1 includes "a projector adjusts a light emitting unit according to an image signal, and a light beam emitted from the light emitting unit is reflected on an image screen." The “image” appears twice, the “light emitting unit” appears twice, and the “projector, light beam” appears once each. The second server 120 can set the characteristic character “image, light-emitting unit” appearing twice as the first keyword character string.

一部の実施例において、第２サーバ１２０は、分析命令（例えば、第１捜索命令）によって、複数の合致する学習データ（例えば、第１学習データ１３１ａ、第２学習データ１３１ｂが何れも「プロジェクター」キーワードを有する）を見つけると、第２サーバ１２０は更に捜索リストを生成することができる。他の部分の実施例において、第１サーバ１１０は更に管理インターフェースを提供する。管理インターフェースは、データ分析システム１００の管理者又はメンテナンススタッフがデータ分析システム１００の内部パラメータ及び返答データを観察して、管理者又はメンテナンススタッフがデータ分析システム１００内のパラメータ（例えば、閾値、セマンティクス認識パラメータ等）を調整することができ、データ分析システム１００の性能を最適化する。   In some embodiments, the second server 120 may determine that a plurality of matching learning data (for example, the first learning data 131a and the second learning data 131b are all “projector”) by an analysis instruction (for example, a first search instruction). The second server 120 can further generate a search list. In another embodiment, the first server 110 further provides a management interface. The management interface allows the administrator or the maintenance staff of the data analysis system 100 to observe the internal parameters and the response data of the data analysis system 100, and the administrator or the maintenance staff to check the parameters (for example, the threshold value, the semantics recognition) in the data analysis system 100. Parameters, etc.) to optimize the performance of the data analysis system 100.

なお、第２サーバ１２０は、ユーザの行為記録を参照して、捜索リストにおける学習データを順位付けすることができる。図１を参照されたい。一部の実施例において、記憶ユニット１３０に第１学習データ１３１ａ、第２学習データ１３１ｂ及び第３学習データ１３１ｃが記憶される。第２学習データ１３１ｂは上記のように、複数の第２セグメンテーションマークにより複数の第２学習セクションに分割されることができ、且つ各第２学習セクションにそれぞれの第２キーワード文字列が含まれ、同様に、第３学習データ１３１ｃは複数の第３セグメンテーションマークにより複数の第３学習セクションに分割され、且つ各第３学習セクションにそれぞれの第３キーワード文字列が含まれる。第２サーバ１２０は、第１捜索命令に基づいて、合致する第１学習データ１３１ａを選別した後、第２サーバ１２０は、第１サーバ１１０によって、第１学習データ１３１ａを端末装置２００に伝送して、ユーザが閲覧できる。同時に、第１サーバ１１０又は第２サーバ１２０は更にこれによって行為データを生成して、且つ行為データを記憶ユニット１３０内の行為データベースに記憶することができる。   The second server 120 can rank the learning data in the search list with reference to the user's action record. Please refer to FIG. In some embodiments, the storage unit 130 stores the first learning data 131a, the second learning data 131b, and the third learning data 131c. As described above, the second learning data 131b can be divided into a plurality of second learning sections by a plurality of second segmentation marks, and each second learning section includes a respective second keyword character string, Similarly, the third learning data 131c is divided into a plurality of third learning sections by a plurality of third segmentation marks, and each of the third learning sections includes a respective third keyword character string. After selecting the matching first learning data 131a based on the first search command, the second server 120 transmits the first learning data 131a to the terminal device 200 by the first server 110. User can browse. At the same time, the first server 110 or the second server 120 can further generate action data and store the action data in the action database in the storage unit 130.

行為データはユーザがデータ分析システム１００に接続された後の各項の操作を記録するためのものであり、例えば、特定な学習データを閲覧し、情報を伝送して、重要なファイルとしてマークすること等がある。データ分析システム１００は行為データによって捜索リストを順位付けすることができる。一部の実施例において、第１サーバ１１０は行為データによって分析命令を生成するためのものであり、例としては、第１サーバ１１０は、ユーザが最も頻繁に閲覧する学習データに基づいて、前記の捜索文字列（例えば、最も頻繁に出現するタイトル名称）を選別して、第１類似度を計算することができる。これによって、ユーザは第１捜索命令を主動的に入力しなくても、データ分析システム１００は依然として分析命令を定期的に生成することができ、且つ適合な学習データ及びその学習セクションを推薦する。   The action data is for recording the operation of each item after the user is connected to the data analysis system 100, and for example, browses specific learning data, transmits information, and marks as important files. There are things. The data analysis system 100 can rank the search list according to the action data. In some embodiments, the first server 110 is for generating an analysis instruction according to the action data, and for example, the first server 110 may generate the analysis instruction based on learning data that a user browses most frequently. (For example, the title name that appears most frequently), and the first similarity can be calculated. Accordingly, even if the user does not actively input the first search command, the data analysis system 100 can still periodically generate the analysis command, and recommends suitable learning data and a learning section thereof.

一部の実施例において、第１サーバ１１０は更に端末装置２００から伝送された第２捜索命令を受信することに用いられる。第２サーバ１２０は、第２捜索命令に基づいて、記憶ユニット１３０から複数の学習データ、例えば、第２学習データ１３１ｂ及び第２学習データ１３１ｃを選別する。一部の実施例において、第２サーバ１２０は、第２捜索命令と各学習データ１３１ａ〜１３１ｃの中の各学習セクションのキーワード文字列との類似度を比較して、更に類似度が所定値よりも高い学習セクションを選別する。例としては、第２捜索命令は「画像エンハンスメント」であり、第２学習データ１３１ｂの中の１つの第２学習セクションで「画像エンハンスメント」が３回出現し、第３学習データ１３１ｃの中の１つの第３学習セクションで「画像エンハンスメント」が５回出現すると、第２サーバ１２０はこの２つの学習セクションを捜索リストの中の項目とする。   In some embodiments, the first server 110 is further used to receive the second search command transmitted from the terminal device 200. The second server 120 selects a plurality of learning data, for example, the second learning data 131b and the second learning data 131c from the storage unit 130 based on the second search command. In some embodiments, the second server 120 compares the similarity between the second search command and the keyword character string of each learning section in each of the learning data 131a to 131c, and further determines that the similarity is higher than a predetermined value. Also sort out the higher learning sections. As an example, the second search instruction is “image enhancement”, “image enhancement” appears three times in one second learning section in the second learning data 131b, and 1 in the third learning data 131c. When "image enhancement" appears five times in one of the third learning sections, the second server 120 sets the two learning sections as items in the search list.

以上のように、第２サーバ１２０は、第２捜索命令に基づいて第２学習データ１３１ｂ及び第３学習データ１３１ｃを選別した後、ユーザは前に第１学習データ１３１ａを閲覧したので、第２サーバ１２０は更に第１学習データ１３１ａの中の各第１キーワード文字列と第２学習データ１３１ｂの第２キーワード文字列及び第３学習データ１３１ｃの中の第３キーワード文字列との第２類似度を比較する。次に、更に第２類似度の高さによって、捜索リストを生成して第２学習データ１３１ｂ及び第３学習データ１３１ｃを順位付けする。   As described above, after selecting the second learning data 131b and the third learning data 131c based on the second search command, the second server 120 browses the first learning data 131a before the user. The server 120 further performs a second similarity between each of the first keyword character strings in the first learning data 131a, the second keyword character strings in the second learning data 131b, and the third keyword character strings in the third learning data 131c. Compare. Next, a search list is generated based on the second similarity, and the second learning data 131b and the third learning data 131c are ranked.

例としては、ユーザが前に閲覧した第１学習データ１３１ａの第１学習セクションのキーワード文字列には、５個のキーワードを含む。第２サーバ１２０で分析された第２学習データ１３１ｂの中の第２キーワード文字列には「プロジェクター」及び他の３個のキーワードを含む。第２サーバ１２０で選別された第３学習データ１３１ｃの中の第３キーワード文字列には「プロジェクター」及び他の４個のキーワードを含む。第１キーワード文字列と第２キーワード文字列との類似度が６０％（例えば、３つのキーワードが同じである）であり、第１キーワード文字列と第３キーワード文字列との類似度が２０％（例えば、１つのみのキーワードが同じである）であり、第２学習データ１３１ｂの内容がユーザの前に閲覧された第１学習データ１３１ａに類似すると示し、このため、第２サーバ１２０は選別された第２学習データ１３１ｂの第２学習セクションを第３学習データ１３１ｃの第３学習セクションの前に順位付けする。   As an example, the keyword string of the first learning section of the first learning data 131a previously viewed by the user includes five keywords. The second keyword character string in the second learning data 131b analyzed by the second server 120 includes “projector” and the other three keywords. The third keyword character string in the third learning data 131c selected by the second server 120 includes "projector" and the other four keywords. The similarity between the first keyword string and the second keyword string is 60% (for example, three keywords are the same), and the similarity between the first keyword string and the third keyword string is 20% (For example, only one keyword is the same), indicating that the content of the second learning data 131b is similar to the first learning data 131a viewed in front of the user. The second learning section of the obtained second learning data 131b is ranked before the third learning section of the third learning data 131c.

一部の実施例において、データ分析システム１００は更に複数の学習セクション間で関連性を確立することができる。図１、２Ａ及び図２Ｂを参照されたい。説明しやすいように、ここで図２ＡのテキストファイルＡ１及び図２Ｂの画像ファイルＢ１を異なる学習データの内容と見なす。学習セクションＡ１３には第１関連性マークＴ１が設けられ、学習セクションＢ１１における画像画面Ｂ０２には第２関連性マークＴ２が設けられる。第２サーバ１２０は、第１捜索命令に基づいて学習セクションＡ１３を選別した後、学習セクションＢ１１に第２関連性マークＴ２があると判断すると、前記第２サーバ１２０は学習セクションＢ１１によって推薦リストを生成する。例としては、学習セクションＡ１３は「プロジェクター動作原理」を説明するためのビデオであり、学習セクションＢ１１は「プロジェクター構造」を説明するためのメッセージファイルであると、ユーザは学習セクションＡ１３を閲覧する時、データ分析システム１００は、ユーザーに学習セクションＢ１１を推薦して閲覧させることができる。   In some embodiments, data analysis system 100 may further establish an association between multiple learning sections. Please refer to FIGS. 1, 2A and 2B. For ease of explanation, the text file A1 in FIG. 2A and the image file B1 in FIG. 2B are regarded as different learning data contents. The learning section A13 is provided with a first relevance mark T1, and the image screen B02 in the learning section B11 is provided with a second relevance mark T2. If the second server 120 selects the learning section A13 based on the first search command and determines that the learning section B11 has the second relevance mark T2, the second server 120 determines the recommendation list by the learning section B11. Generate. As an example, when the learning section A13 is a video for explaining the “projector operation principle” and the learning section B11 is a message file for explaining the “projector structure”, when the user browses the learning section A13, The data analysis system 100 can recommend the user to view the learning section B11.

図３を参照されたい。図３は、本開示内容の一部の実施例によるデータ分析方法の模式図である。データ分析方法は以下の工程Ｓ３０１〜Ｓ３１１によって、第１学習データ１３１ａをセグメンテーションして第１キーワード文字列を生成する。工程Ｓ３０１において、端末装置２００は、第１学習データ１３１ａを第１サーバ１１０に伝送する。工程Ｓ３０２において、第１サーバ１１０は、第１学習データ１３１ａを記憶ユニット１３０にアップロードする。工程Ｓ３０３において、記憶ユニット１３０は、第１学習データ１３１ａをコースデータベース１３１に記憶する。工程Ｓ３０４において、記憶ユニット１３０は、第１サーバ１１０に記憶動作の完成を通知する。   Please refer to FIG. FIG. 3 is a schematic diagram of a data analysis method according to some embodiments of the present disclosure. The data analysis method generates a first keyword character string by segmenting the first learning data 131a in the following steps S301 to S311. In step S301, the terminal device 200 transmits the first learning data 131a to the first server 110. In step S302, the first server 110 uploads the first learning data 131a to the storage unit 130. In step S303, the storage unit 130 stores the first learning data 131a in the course database 131. In step S304, the storage unit 130 notifies the first server 110 of the completion of the storage operation.

工程Ｓ３０５において、第１サーバ１１０は、分析情報を第２サーバ１２０に伝送する。工程Ｓ３０６及び工程Ｓ３０７において、第２サーバ１２０は要求情報を記憶ユニット１３０に伝送して、記憶ユニット１３０で第１学習データ１３１ａを取得する。第２サーバ１２０は上記のように、第１セグメンテーションマークを加えて、各第１学習セクションに対してそれぞれの第１キーワード文字列を生成する。工程Ｓ３０８において、第２サーバ１２０は、第１セグメンテーションマーク及び対応する第１キーワード文字列を記憶ユニット１３０にアップロードして、記憶ユニット１３０は、第１セグメンテーションマーク及び対応する第１キーワード文字列を分析データベース１３２に記憶する。次に、記憶ユニット１３０は完成情報を第２サーバ１２０に伝送して、且つ第２サーバ１２０によって完成情報を第１サーバ１１０に伝送して、オンライン学習システムのインターフェースで「学習データのアップロード及びファイル確立完成」の情報をユーザに表示する。   In step S305, the first server 110 transmits the analysis information to the second server 120. In step S306 and step S307, the second server 120 transmits the request information to the storage unit 130, and the storage unit 130 acquires the first learning data 131a. As described above, the second server 120 generates a first keyword string for each first learning section by adding the first segmentation mark. In step S308, the second server 120 uploads the first segmentation mark and the corresponding first keyword character string to the storage unit 130, and the storage unit 130 analyzes the first segmentation mark and the corresponding first keyword character string. It is stored in the database 132. Next, the storage unit 130 transmits the completion information to the second server 120, and transmits the completion information to the first server 110 by the second server 120. Information of "establishment completed" is displayed to the user.

図４を参照されたい。本開示内容の一部の実施例によるデータ分析方法の模式図である。データ分析方法は以下の工程Ｓ４０１〜Ｓ４０８で、分析命令（例えば、第１捜索命令）によって学習データ及び学習セクションを捜索する。工程Ｓ４０１において、端末装置２００は、分析命令を第１サーバ１１０に送信する。工程Ｓ４０２及び工程Ｓ４０３において、第１サーバ１１０は、分析命令の中の第１捜索命令を第２サーバ１２０に伝送して、且つ第２サーバ１２０は、第１捜索命令に基づいて、記憶ユニット１３０における学習データを捜索する。工程Ｓ４０４において、第２サーバ１２０は、記憶ユニット１３０から選別された学習データを取得する。選別された学習データは、複数のストロークス、例えば、第２学習データ１３１ｂ及び第３学習データ１３１ｃであると、工程Ｓ４０５及び工程Ｓ４０６において、第２サーバ１２０は、記憶ユニット１３０における行為データベース１３３から行為データを取得して、第２学習データ１３１ｂ及び第３学習データ１３１ｃと行為データ（例えば、第１キーワード文字列）との類似度を比較して、捜索リストを生成する。最後に、工程Ｓ４０７では、第２サーバ１２０は捜索リストを第１サーバ１１０に伝送して、且つ工程Ｓ４０８において、ユーザが閲覧又はダウンロードできるように、第１サーバ１１０は捜索リストをオンライン学習システムのインターフェースに表示する。   Please refer to FIG. 1 is a schematic diagram of a data analysis method according to some embodiments of the present disclosure. In the data analysis method, in the following steps S401 to S408, learning data and a learning section are searched by an analysis command (for example, a first search command). In step S401, the terminal device 200 transmits an analysis command to the first server 110. In step S402 and step S403, the first server 110 transmits the first search command in the analysis command to the second server 120, and the second server 120 transmits the first search command to the storage unit 130 based on the first search command. Search for learning data in. In step S404, the second server 120 acquires the selected learning data from the storage unit 130. If the selected learning data is a plurality of strokes, for example, the second learning data 131b and the third learning data 131c, in steps S405 and S406, the second server 120 performs an action from the action database 133 in the storage unit 130. The search list is generated by acquiring the data and comparing the similarity between the second learning data 131b and the third learning data 131c and the action data (for example, the first keyword character string). Finally, in step S407, the second server 120 transmits the search list to the first server 110, and in step S408, the first server 110 transmits the search list to the online learning system so that the user can browse or download the search list. Display in the interface.

本発明の実施形態を前記の通りに開示したが、これは、本発明を限定するものではなく、当業者なら誰でも、本発明の精神と範囲から逸脱しない限り、多様の変更や修正を加えることができ、したがって、本発明の保護範囲は、後に付いた特許請求の範囲で指定した内容を基準とする。   Although the embodiments of the present invention have been disclosed as above, they do not limit the present invention, and any person skilled in the art can make various changes and modifications without departing from the spirit and scope of the present invention. Therefore, the protection scope of the present invention is based on the contents specified in the appended claims.

１００ データ分析システム
１１０ 第１サーバ
１２０ 第２サーバ
１３０ 記憶ユニット
１３１ コースデータベース
１３１ａ 第１学習データ
１３１ｂ 第２学習データ
１３１ｃ 第３学習データ
１３２ 分析データベース
１３３ 行為データベース
１３４ 推薦データベース
２００ 端末装置
Ａ１ テキストファイル
Ａ１１、Ａ１２、Ａ１３、Ａ１４、Ａ２１、Ａ２２、Ｂ１１、Ｂ１２、Ｂ１ ビデオファイル
Ｂ０１、Ｂ０２、Ｂ０３、Ｂ０４ 画像画面
Ｔ１ 第１関連性マーク
Ｔ２ 第２関連性マーク
Ｓ３０１〜Ｓ３１１、Ｓ４０１〜Ｓ４０８ 工程
Reference Signs List 100 data analysis system 110 first server 120 second server 130 storage unit 131 course database 131a first learning data 131b second learning data 131c third learning data 132 analysis database 133 action database 134 recommendation database 200 terminal device A1 text file A11, A12, A13, A14, A21, A22, B11, B12, B1 Video file B01, B02, B03, B04 Image screen T1 First relevance mark T2 Second relevance mark S301-S311, S401-S408

Claims (9)

第１学習データを受信する工程と、
前記第１学習データに複数の第１セグメンテーションマークを加えて、前記第１学習データを複数の第１学習セクションに分割する工程と、
前記第１学習セクションの各々に基づいて、各第１学習セクションのそれぞれに対応する第１キーワード文字列を生成する工程と、
ユーザの操作に関連する分析命令を受信する工程と、
前記分析命令と各第１学習セクションのそれぞれの前記第１キーワード文字列を分析して、前記分析命令と対応する各第１学習セクションとの複数の第１類似度を得る工程と、
前記第１学習セクションから最高の類似度を有する１つの第１学習セクションを選別する工程と、
を含むデータ分析方法。 Receiving first learning data;
Adding a plurality of first segmentation marks to the first learning data, and dividing the first learning data into a plurality of first learning sections;
Generating a first keyword string corresponding to each of the first learning sections based on each of the first learning sections;
Receiving an analysis instruction related to a user operation;
Analyzing the analysis instruction and the first keyword character string of each of the first learning sections to obtain a plurality of first similarities between the analysis instruction and the corresponding first learning sections;
Selecting one first learning section having the highest similarity from the first learning section;
Data analysis method including. 前記第１学習データは、テキストファイルを含み、
前記データ分析方法は、前記テキストファイルに対して分析処理を行って、順次関係を有する複数の特徴句を生成する工程と、隣り合う前記特徴句の類似度を判断して、前記第１セグメンテーションマークを生成する工程と、を更に含む請求項１に記載のデータ分析方法。 The first learning data includes a text file,
The data analysis method performs an analysis process on the text file to generate a plurality of feature phrases having a sequential relationship, and determines a similarity between adjacent feature phrases to determine the first segmentation mark. The method according to claim 1, further comprising: 前記第１学習データは、複数の画像画面を含み、
前記データ分析方法は、隣り合う前記画像画面の類似度を判断して、前記第１セグメンテーションマークを生成する工程を更に含む請求項１〜２の何れか１項に記載のデータ分析方法。 The first learning data includes a plurality of image screens,
3. The data analysis method according to claim 1, wherein the data analysis method further includes a step of determining the similarity between the adjacent image screens and generating the first segmentation mark. 4. 前記第１学習データは、テキストファイルを含み、
前記データ分析方法は、前記テキストファイルを分析処理して複数の特徴文字を生成する工程と、前記第１学習データを前記第１学習セクションに分割した後、各第１学習セクションでの前記特徴文字の数を判断する工程と、数が閾値よりも大きい前記特徴文字を前記第１キーワード文字列として設定する工程と、を更に含む請求項１に記載のデータ分析方法。 The first learning data includes a text file,
The data analysis method includes the steps of: analyzing the text file to generate a plurality of characteristic characters; dividing the first learning data into the first learning sections; 2. The data analysis method according to claim 1, further comprising: determining the number of characters; and setting the characteristic character having a number greater than a threshold value as the first keyword character string. 3. 前記分析命令は、第１捜索命令を含み、
前記データ分析方法は、前記第１捜索命令を分析処理して、第１捜索文字列を生成する工程と、前記第１捜索文字列を利用して、前記第１捜索命令と対応する各第１学習セクションとの前記第１類似度を計算する工程と、を更に含む請求項１〜４の何れか１項に記載のデータ分析方法。 The analysis instruction includes a first search instruction,
The data analysis method includes analyzing and processing the first search command to generate a first search character string, and using the first search character string to correspond to each first search command. The data analysis method according to any one of claims 1 to 4, further comprising: calculating the first similarity with a learning section. 前記最高の類似度を有する１つの第１学習セクション及び対応する１つの第１学習データを端末装置に伝送することで、行為データを生成する工程を更に含む請求項５に記載のデータ分析方法。   The data analysis method according to claim 5, further comprising generating action data by transmitting one first learning section having the highest similarity and one corresponding first learning data to a terminal device. 前記第１学習データを記憶ユニットに記憶して、前記記憶ユニットに第２学習データ及び第３学習データが更に記憶され、前記第２学習データは、複数の第２セグメンテーションマークにより複数の第２学習セクションに分割され、且つ各第２学習セクションのそれぞれが第２キーワード文字列を含む工程と、前記第３学習データは、複数の第３セグメンテーションマークにより複数の第３学習セクションに分割され、且つ各第３学習セクションのそれぞれに第３キーワード文字列を含む工程と、を更に含む請求項６に記載のデータ分析方法。   The first learning data is stored in a storage unit, and the second learning data and the third learning data are further stored in the storage unit. The second learning data includes a plurality of second learning data by a plurality of second segmentation marks. Dividing the second learning section into a plurality of third learning sections, each of the second learning sections including a second keyword character string, wherein the third learning data is divided into a plurality of third learning sections by a plurality of third segmentation marks; 7. The method according to claim 6, further comprising the step of including a third keyword character string in each of the third learning sections. 第２捜索命令を受信する工程と、
前記第２捜索命令に基づいて前記記憶ユニットから前記第２学習データ及び前記第３学習データを選別する工程と、
前記行為データに基づいて、前記第１キーワード文字列のそれぞれと前記第２キーワード文字列及び前記第３キーワード文字列との複数の第２類似度を計算する工程と、
前記第２類似度に基づいて、前記第２学習データ及び前記第３学習データを順位付けして、捜索リストを生成する工程と、
を更に含む請求項７に記載のデータ分析方法。 Receiving a second search command;
Selecting the second learning data and the third learning data from the storage unit based on the second search instruction;
Calculating a plurality of second similarities between each of the first keyword character strings, the second keyword character string, and the third keyword character string based on the action data;
Generating a search list by ranking the second learning data and the third learning data based on the second similarity;
The data analysis method according to claim 7, further comprising: 第１学習データを受信するための第１サーバと、
前記第１サーバから前記第１学習データを受信して記憶するための記憶ユニットと、
前記第１学習データに複数の第１セグメンテーションマークを加えて、前記第１学習データを複数の第１学習セクションに分割して、前記第１学習セクションの各々に基づいて、各第１学習セクションのそれぞれに対応する第１キーワード文字列を生成し、分析命令を受信して、前記分析命令と各第１学習セクションのそれぞれの前記第１キーワード文字列を分析して、前記分析命令と対応する各第１学習セクションとの複数の第１類似度を得て、且つ前記第１学習セクションから最高の類似度を有する１つの第１学習セクションを選別するための第２サーバと、
を含むデータ分析システム。
A first server for receiving the first learning data;
A storage unit for receiving and storing the first learning data from the first server;
A plurality of first segmentation marks are added to the first learning data, the first learning data is divided into a plurality of first learning sections, and each of the first learning sections is divided based on each of the first learning sections. A first keyword string corresponding to each is generated, an analysis command is received, and the analysis command and each first keyword string of each first learning section are analyzed, and each of the first keyword strings corresponding to the analysis command is analyzed. A second server for obtaining a plurality of first similarities with the first learning section and selecting one first learning section having the highest similarity from the first learning section;
Data analysis system including.
JP2019091400A 2018-09-07 2019-05-14 Data analysis method and data analysis system Pending JP2020042771A (en)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201862728082P 2018-09-07 2018-09-07
US62/728,082 2018-09-07
CN201910105173.2A CN110889034A (en) 2018-09-07 2019-02-01 Data analysis method and data analysis system
CN201910105173.2 2019-02-01

Publications (1)

Publication Number Publication Date
JP2020042771A true JP2020042771A (en) 2020-03-19

Family

ID=69745778

Family Applications (3)

Application Number Title Priority Date Filing Date
JP2019090932A Active JP6829740B2 (en) 2018-09-07 2019-05-13 Data search method and its data search system
JP2019091400A Pending JP2020042771A (en) 2018-09-07 2019-05-14 Data analysis method and data analysis system
JP2019124400A Pending JP2020042777A (en) 2018-09-07 2019-07-03 Multimedia data recommendation system and multimedia data recommendation method

Family Applications Before (1)

Application Number Title Priority Date Filing Date
JP2019090932A Active JP6829740B2 (en) 2018-09-07 2019-05-13 Data search method and its data search system

Family Applications After (1)

Application Number Title Priority Date Filing Date
JP2019124400A Pending JP2020042777A (en) 2018-09-07 2019-07-03 Multimedia data recommendation system and multimedia data recommendation method

Country Status (4)

Country Link
JP (3) JP6829740B2 (en)
CN (5) CN110889034A (en)
SG (5) SG10201905236WA (en)
TW (5) TWI709905B (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117351794A (en) * 2023-10-13 2024-01-05 浙江上国教育科技有限公司 Online course management system based on cloud platform

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI756703B (en) * 2020-06-03 2022-03-01 南開科技大學 Digital learning system and method thereof
US12099537B2 (en) 2020-09-21 2024-09-24 Samsung Electronics Co., Ltd. Electronic device, contents searching system and searching method thereof
CN114595854A (en) * 2020-11-19 2022-06-07 英业达科技有限公司 A method for tracking and predicting product quality based on social information

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005301856A (en) * 2004-04-15 2005-10-27 Hitachi Ltd Document search method, document search program, and document search apparatus for executing the same
JP2005310094A (en) * 2003-10-06 2005-11-04 Nippon Telegr & Teleph Corp <Ntt> Keyword expansion device and method, content search system, content information providing system and method, grouping condition determination device and method, and program
WO2008023470A1 (en) * 2006-08-21 2008-02-28 Kyoto University Sentence search method, sentence search engine, computer program, recording medium, and document storage
JP2008176538A (en) * 2007-01-18 2008-07-31 Toshiba Corp Video attribute information output device, video summarization device, program, and video attribute information output method
JP2009104396A (en) * 2007-10-23 2009-05-14 Sharp Corp Content selection device, television, content selection program, and storage medium
JP2010257001A (en) * 2009-04-21 2010-11-11 Ntt Communications Kk Search support keyword presentation device, method and program
JP2011014032A (en) * 2009-07-03 2011-01-20 Fujitsu Ltd Portable terminal device, information search method, and information search program
JP2012038239A (en) * 2010-08-11 2012-02-23 Sony Corp Information processing equipment, information processing method and program
US20130226930A1 (en) * 2012-02-29 2013-08-29 Telefonaktiebolaget L M Ericsson (Publ) Apparatus and Methods For Indexing Multimedia Content
JP2015201185A (en) * 2014-04-04 2015-11-12 富士通株式会社 Method for specifying topic of lecture video and non-temporary computer readable medium

Family Cites Families (47)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07311539A (en) * 1994-05-17 1995-11-28 Hitachi Ltd Teaching material editing support system
KR100250540B1 (en) * 1996-08-13 2000-04-01 김광수 Studying method of foreign language dictation with apparatus of playing caption video cd
JP2002041823A (en) * 2000-07-27 2002-02-08 Nippon Telegr & Teleph Corp <Ntt> Information distribution device, information receiving device, and information distribution system
JP3685733B2 (en) * 2001-04-11 2005-08-24 株式会社ジェイ・フィット Multimedia data search apparatus, multimedia data search method, and multimedia data search program
JP2002341735A (en) * 2001-05-16 2002-11-29 Alice Factory:Kk Broadband digital learning system
CN1432932A (en) * 2002-01-16 2003-07-30 陈雯瑄 English test and performance evaluation method and system
TW200411462A (en) * 2002-12-20 2004-07-01 Hsiao-Lien Wang A method for matching information exchange on network
JP2006525537A (en) * 2003-04-14 2006-11-09 コーニンクレッカ　フィリップス　エレクトロニクス　エヌ　ヴィ Method and apparatus for summarizing music videos using content analysis
JP2005321662A (en) * 2004-05-10 2005-11-17 Fuji Xerox Co Ltd Learning support system and method
JP2006003670A (en) * 2004-06-18 2006-01-05 Hitachi Ltd Educational content provision system
US20080176202A1 (en) * 2005-03-31 2008-07-24 Koninklijke Philips Electronics, N.V. Augmenting Lectures Based on Prior Exams
US9058406B2 (en) * 2005-09-14 2015-06-16 Millennial Media, Inc. Management of multiple advertising inventories using a monetization platform
TW200825900A (en) * 2006-12-13 2008-06-16 Inst Information Industry System and method for generating wiki by sectional time of handout and recording medium thereof
TW200923860A (en) * 2007-11-19 2009-06-01 Univ Nat Taiwan Science Tech Interactive learning system
CN101382937B (en) * 2008-07-01 2011-03-30 深圳先进技术研究院 Multimedia resource processing method based on speech recognition and on-line teaching system thereof
US8140544B2 (en) * 2008-09-03 2012-03-20 International Business Machines Corporation Interactive digital video library
CN101453649B (en) * 2008-12-30 2011-01-05 浙江大学 Key Frame Extraction Method of Compressed Domain Video Stream
MX2012008206A (en) * 2010-01-15 2012-10-09 Apollo Group Inc Dynamically recommending learning content.
US8839110B2 (en) * 2011-02-16 2014-09-16 Apple Inc. Rate conform operation for a media-editing application
CN102222227B (en) * 2011-04-25 2013-07-31 中国华录集团有限公司 A system based on video recognition and image extraction
CN102348049B (en) * 2011-09-16 2013-09-18 央视国际网络有限公司 Method and device for detecting position of cut point of video segment
CN102509007A (en) * 2011-11-01 2012-06-20 北京瑞信在线系统技术有限公司 Method, system and device for multimedia teaching evaluation and multimedia teaching system
JP5216922B1 (en) * 2012-01-06 2013-06-19 Ｆｌｅｎｓ株式会社 Learning support server, learning support system, and learning support program
US20130263166A1 (en) * 2012-03-27 2013-10-03 Bluefin Labs, Inc. Social Networking System Targeted Message Synchronization
US9058385B2 (en) * 2012-06-26 2015-06-16 Aol Inc. Systems and methods for identifying electronic content using video graphs
TWI513286B (en) * 2012-08-28 2015-12-11 Ind Tech Res Inst Method and system for continuous video replay
CN102937972B (en) * 2012-10-15 2016-06-22 上海外教社信息技术有限公司 A kind of audiovisual subtitle making system and method
WO2014100893A1 (en) * 2012-12-28 2014-07-03 Jérémie Salvatore De Villiers System and method for the automated customization of audio and video media
JP6205767B2 (en) * 2013-03-13 2017-10-04 カシオ計算機株式会社 Learning support device, learning support method, learning support program, learning support system, and server device
TWI549498B (en) * 2013-06-24 2016-09-11 wu-xiong Chen Variable audio and video playback method
CN104572716A (en) * 2013-10-18 2015-04-29 英业达科技有限公司 System and method for playing video files
KR101537370B1 (en) * 2013-11-06 2015-07-16 주식회사 시스트란인터내셔널 System for grasping speech meaning of recording audio data based on keyword spotting, and indexing method and method thereof using the system
US20150206441A1 (en) * 2014-01-18 2015-07-23 Invent.ly LLC Personalized online learning management system and method
CN104123332B (en) * 2014-01-24 2018-11-09 腾讯科技（深圳）有限公司 The display methods and device of search result
US20150293995A1 (en) * 2014-04-14 2015-10-15 David Mo Chen Systems and Methods for Performing Multi-Modal Video Search
JP6334431B2 (en) * 2015-02-18 2018-05-30 株式会社日立製作所 Data analysis apparatus, data analysis method, and data analysis program
US20160239155A1 (en) * 2015-02-18 2016-08-18 Google Inc. Adaptive media
CN105047203B (en) * 2015-05-25 2019-09-10 广州酷狗计算机科技有限公司 A kind of audio-frequency processing method, device and terminal
CN104978961B (en) * 2015-05-25 2019-10-15 广州酷狗计算机科技有限公司 A kind of audio-frequency processing method, device and terminal
TWI571756B (en) * 2015-12-11 2017-02-21 財團法人工業技術研究院 Methods and systems for analyzing reading log and documents corresponding thereof
CN105978800A (en) * 2016-07-04 2016-09-28 广东小天才科技有限公司 Method, system and server for pushing questions to mobile terminal
CN106202453B (en) * 2016-07-13 2020-08-04 网易（杭州）网络有限公司 Multimedia resource recommendation method and device
CN106231399A (en) * 2016-08-01 2016-12-14 乐视控股（北京）有限公司 Methods of video segmentation, equipment and system
CN106331893B (en) * 2016-08-31 2019-09-03 科大讯飞股份有限公司 Real-time caption presentation method and system
CN108122437A (en) * 2016-11-28 2018-06-05 北大方正集团有限公司 Adaptive learning method and device
CN107256262B (en) * 2017-06-13 2020-04-14 西安电子科技大学 An Image Retrieval Method Based on Object Detection
CN107623860A (en) * 2017-08-09 2018-01-23 北京奇艺世纪科技有限公司 Multi-medium data dividing method and device

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005310094A (en) * 2003-10-06 2005-11-04 Nippon Telegr & Teleph Corp <Ntt> Keyword expansion device and method, content search system, content information providing system and method, grouping condition determination device and method, and program
JP2005301856A (en) * 2004-04-15 2005-10-27 Hitachi Ltd Document search method, document search program, and document search apparatus for executing the same
WO2008023470A1 (en) * 2006-08-21 2008-02-28 Kyoto University Sentence search method, sentence search engine, computer program, recording medium, and document storage
JP2008176538A (en) * 2007-01-18 2008-07-31 Toshiba Corp Video attribute information output device, video summarization device, program, and video attribute information output method
JP2009104396A (en) * 2007-10-23 2009-05-14 Sharp Corp Content selection device, television, content selection program, and storage medium
JP2010257001A (en) * 2009-04-21 2010-11-11 Ntt Communications Kk Search support keyword presentation device, method and program
JP2011014032A (en) * 2009-07-03 2011-01-20 Fujitsu Ltd Portable terminal device, information search method, and information search program
JP2012038239A (en) * 2010-08-11 2012-02-23 Sony Corp Information processing equipment, information processing method and program
US20130226930A1 (en) * 2012-02-29 2013-08-29 Telefonaktiebolaget L M Ericsson (Publ) Apparatus and Methods For Indexing Multimedia Content
JP2015201185A (en) * 2014-04-04 2015-11-12 富士通株式会社 Method for specifying topic of lecture video and non-temporary computer readable medium

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117351794A (en) * 2023-10-13 2024-01-05 浙江上国教育科技有限公司 Online course management system based on cloud platform
CN117351794B (en) * 2023-10-13 2024-06-04 浙江上国教育科技有限公司 Online course management system based on cloud platform

Also Published As

Publication number Publication date
CN110891202A (en) 2020-03-17
TW202011232A (en) 2020-03-16
SG10201905523TA (en) 2020-04-29
CN110895654B (en) 2024-07-02
TW202011222A (en) 2020-03-16
CN110895654A (en) 2020-03-20
TW202011749A (en) 2020-03-16
TWI699663B (en) 2020-07-21
TWI700597B (en) 2020-08-01
TWI696386B (en) 2020-06-11
TWI725375B (en) 2021-04-21
SG10201905532QA (en) 2020-04-29
CN110891202B (en) 2022-03-25
SG10201906347QA (en) 2020-04-29
SG10201907250TA (en) 2020-04-29
JP2020042770A (en) 2020-03-19
TW202011221A (en) 2020-03-16
CN110888994A (en) 2020-03-17
CN110888896B (en) 2023-09-05
JP6829740B2 (en) 2021-02-10
CN110889034A (en) 2020-03-17
TW202011231A (en) 2020-03-16
TWI709905B (en) 2020-11-11
JP2020042777A (en) 2020-03-19
CN110888896A (en) 2020-03-17
SG10201905236WA (en) 2020-04-29

Similar Documents

Publication Publication Date Title
CN111125435B (en) Method, device and computer equipment for determining video label
JP6487201B2 (en) Method and apparatus for generating recommended pages
CN109325201B (en) Method, device, equipment and storage medium for generating entity relationship data
KR101721338B1 (en) Search engine and implementation method thereof
RU2378693C2 (en) Matching request and record
JP5110201B2 (en) Search processing method and apparatus
CN112115299A (en) Video searching method and device, recommendation method, electronic device and storage medium
US10366154B2 (en) Information processing device, information processing method, and computer program product
US10210211B2 (en) Code searching and ranking
CN111988663A (en) Method, device and equipment for positioning video playing node and storage medium
US10621187B2 (en) Methods, systems, and media for providing a media search engine
US9852217B2 (en) Searching and ranking of code in videos
US10713291B2 (en) Electronic document generation using data from disparate sources
WO2018000575A1 (en) Artificial intelligence-based search result aggregation method and apparatus and search engine
CN111309200B (en) Method, device, equipment and storage medium for determining extended reading content
JP2020042771A (en) Data analysis method and data analysis system
CN113079417A (en) Method, device and equipment for generating bullet screen and storage medium
US20170155939A1 (en) Method and System for Processing Data Used By Creative Users to Create Media Content
CN105574030A (en) Information search method and device
CN114021521A (en) Information processing method, device, equipment and readable storage medium
CN106919703A (en) Film information searching method and device
EP3621021A1 (en) Data search method and data search system thereof
CN109063127A (en) A kind of searching method, device, server and storage medium
US11409804B2 (en) Data analysis method and data analysis system thereof for searching learning sections
CN115618873B (en) Data processing method, device, computer equipment and storage medium

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20190514

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20200626

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200707

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20201007

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20210126