附件：擬轉(zhuǎn)讓專利簡介專利一、一種多入口醫(yī)學(xué)問句模板裝置及其方法技術(shù)領(lǐng)域本發(fā)明屬于計算機的人工智能領(lǐng)域，尤其是是一種多入口醫(yī)學(xué)問句模板裝置及其方法，可以廣泛應(yīng)用于醫(yī)學(xué)行業(yè)的智能信息檢索與自動問答系統(tǒng)中。背景技術(shù)互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，使網(wǎng)絡(luò)信息呈指數(shù)的增長，為了從這些海量信息中快速、準確的獲得需要的信息，傳統(tǒng)的搜索引擎已不能滿足用戶的需求，智能信息檢索與自動問答系統(tǒng)因其能夠準確、直接地回答用戶問題，正逐漸成為研究的重點和熱點，然而由于用戶問句的多樣性與隨意性，造成準確獲取用戶問句的語義與預(yù)期相差較大，因此目前自動問答與智能信息檢索答案的準確率還不高。問句處理與理解是智能信息檢索與自動問答系統(tǒng)中的第一個執(zhí)行階段，它的目標(biāo)是讓計算機理解用戶的問句，獲取用戶的提問意圖，為后面的信息檢索提供依據(jù)。問句的理解一般包含詞法分析、句法分析和語義分析，目前，語義分析是自然語言處理的瓶頸。在面向領(lǐng)域的信息檢索與問答系統(tǒng)中，用戶的查詢具有很多相似性，例如在基于本體的知識庫中，很多都是對概念或?qū)嶓w的屬性進行查詢，還有對概念之間的關(guān)系以及屬性之間的關(guān)系，可以把這些問句抽取成基于領(lǐng)域本體的、具有代表性、封裝有語義信息的問句模板，從而有效地避免復(fù)雜的詞法分析、句法分析和語義分析。因此，研究基于語義關(guān)系和問句模板的問句理解方法具有十分重要的意義。目前基于語義關(guān)系和問句模板的問句理解方法，普遍采用一個模板對應(yīng)領(lǐng)域本體或領(lǐng)域知識庫中的一個語義關(guān)系。然而，在一個醫(yī)學(xué)信息系統(tǒng)中，知識和關(guān)系較為復(fù)雜，一個問句語義需要通過多種語義關(guān)系給出解釋。例如，在詢問疾病的相關(guān)癥狀時，就需要多種語義關(guān)系來表達，單一語義關(guān)系對于疾病癥狀的表達不全面，不能對疾病癥狀進行較為全面的描述。為了使得模板的語義更為全面、明確和清晰，同時也為提高模板模板匹配精度與設(shè)計效率，減少模板庫的規(guī)模，尋找一種基于醫(yī)學(xué)概念與醫(yī)學(xué)關(guān)系的多入口醫(yī)學(xué)問句模板裝置與應(yīng)用方法是十分有必要的。發(fā)明內(nèi)容本發(fā)明公開了一種多入口醫(yī)學(xué)問句模板裝置及其方法，所述模板裝置是一種基于醫(yī)學(xué)概念與醫(yī)學(xué)關(guān)系的醫(yī)學(xué)問句轉(zhuǎn)換機構(gòu)，它將主模板結(jié)構(gòu)、近義模板結(jié)構(gòu)、多入口聯(lián)合結(jié)構(gòu)中的推理規(guī)則與推理函數(shù)綁定在一起，實現(xiàn)將多種近義用戶問句轉(zhuǎn)換為一個多入口醫(yī)學(xué)問句模板,以根據(jù)轉(zhuǎn)換獲得的多入口醫(yī)學(xué)問句模板從UMLS醫(yī)學(xué)知識庫中抽取相應(yīng)答案。本發(fā)明是為解決醫(yī)學(xué)行業(yè)的智能信息檢索與自動問答系統(tǒng)中，知識和關(guān)系較為復(fù)雜、一個問句語義需要通過多種語義關(guān)系給出解釋的問題而設(shè)計的，同時也為提高模板設(shè)計效率、減少模板庫的規(guī)模，以及最大限度地滿足用戶的提問意圖，如下圖所示。專利二、基于維基百科與WordNet的論述題自動評卷方法技術(shù)領(lǐng)域本發(fā)明涉及教育技術(shù)與計算機應(yīng)用技術(shù)領(lǐng)域，具體是基于維基百科與WordNet的論述題自動評卷方法。背景技術(shù)考試試卷中的試題從答案組成的形式上，被普遍分為客觀題與主觀題兩大類。答案以選項編號表示的單選題、多選題、判斷題等試題被稱為客觀題，而答案采用自然語言表示的簡答題、名詞解釋和論述題等試題被稱為主觀題。由于單選題、多選題、判斷題等客觀題目的答案都是以選項編號表示，目前計算機對于此類題型進行自動閱卷時，只需將標(biāo)準答案的選項編號與學(xué)生答案的選項編號進行簡單的匹配運算，匹配成功則答案正確，該處理技術(shù)已經(jīng)取得較好的成果。但對于答案采用自然語言表示的主觀題自動閱卷技術(shù),如：對簡答題、名詞解釋和論述題等自動評卷，由于其受到自然語言理解、模式識別等理論與技術(shù)瓶頸影響,效果不是很理想。主觀題不同于客觀題，不僅需要采用自然語言表示答案，而且具有一定的主觀性，允許學(xué)生在一定的范圍內(nèi)答題，因此答案往往不是唯一的，而且學(xué)生答題的方式會有多種形式。另一方面，教師在批閱試卷的時候，還可能會受到主觀因素的影響，以及學(xué)生字體是否美觀、卷面是否整潔等的影響，使得教師在評分時，出現(xiàn)不合理的加分或扣分現(xiàn)象，有失考試的公正性和公平性。主觀題的計算機自動閱卷，既減輕了教師人工閱卷的勞動強度，又減少人為因素的影響，保證了閱卷的客觀性、公正性，因此主觀題計算機自動閱卷技術(shù)的研究，具有重要的意義。然而，由于主觀題學(xué)生答案的多樣性與隨意性，目前還沒有使用計算機對主觀題進行自動閱卷的成熟技術(shù)。目前，在各類主觀題計算機自動閱卷系統(tǒng)中，普遍采用關(guān)鍵字匹配技術(shù)實現(xiàn)簡答題與名詞解釋類的短文本主觀題自動閱卷，即在答案中標(biāo)注出若干關(guān)鍵字或關(guān)鍵詞，將其與學(xué)生答案進行匹配，并根據(jù)匹配成功的多少對學(xué)生答案進行評分，由于自然語言的多樣性與隨意性，這種方法的評分準確率非常低。為提高評卷的準確率，目前出現(xiàn)了少量的基于詞語相似度、語法分析與依存關(guān)系等語義技術(shù)的主觀題自動閱卷方法，這類評卷方法雖然可以在評卷過程中融入語義技術(shù)，提高評卷的準確率，但大多仍默認學(xué)生的答題方式與標(biāo)準答案都是以完整的單個句子形式給出，并采用統(tǒng)一的基于句子相似度的方法進行評卷，一旦主觀題的答案由多個句子組成，這類語義技術(shù)的系統(tǒng)的評分效果仍然很差。論述題是一種答案由多個句子、甚至多個段落的長文本所構(gòu)成的主觀題，例如，主觀題“試詳細說明程序設(shè)計的基本過程”的答案就由多個段落的長文本所組成，對于這類長文本的論述題，目前仍然沒有理想的方法實現(xiàn)準確地自動評卷。為解決這一難題，本發(fā)明提出了一種基于維基百科與WordNet的論述題自動評卷方法。維基百科Wikipedia是一個允許用戶自由編輯、全球最大的多語種網(wǎng)絡(luò)百科全書，自2001年推出后得到了迅猛增長，截止目前，共涵蓋299種語言，具有近5000萬個頁面，其中英文頁面超過500萬個。且維基百科每月發(fā)布兩次數(shù)據(jù)庫備份轉(zhuǎn)儲(Databasebackupdumps)，為基于維基百科數(shù)據(jù)資源的研究和應(yīng)用提供了便利。作為全球最大的多語種網(wǎng)絡(luò)百科全書，維基百科Wikipedia在自然語言處理領(lǐng)域得到了廣泛的應(yīng)用，其中一個重要的應(yīng)用就是使用Wikipedia進行詞語與文本的語義相似度與相關(guān)度計算?；诰S基百科的文本相關(guān)度計算的重要算法是Gabrilovich等人提出的顯性語義分析ESA（ExplicitSemanticAnalysis），其基本思想是將維基百科的頁面視為以人類認知為基礎(chǔ)的顯性概念，并以維基百科所有頁面（概念）作為維度，將文本的意義解釋為其所包含詞在所有概念頁面中的權(quán)重向量，從而將計算文本之間的相關(guān)性轉(zhuǎn)化為計算相應(yīng)的概念權(quán)重向量之間的夾角。研究表明基于維基百科的ESA是目前最好的文本語義相關(guān)度方法。此外，維基百科中的文章是按學(xué)科進行分類與組織的，因此維基百科是一種天然的學(xué)科語料庫。因此，以維基百科中的學(xué)科文章作為語料，通過ESA方法將主觀題自動評卷問題轉(zhuǎn)換為學(xué)生答卷文本與答案文本之間的相關(guān)度計算,可有效解決長文本的論述題自動評卷問題。但由于Wikipedia的分類圖結(jié)構(gòu)是由志愿者而非專家構(gòu)建的，沒有由專家構(gòu)建的WordNet分類結(jié)構(gòu)可靠，并且語義關(guān)系不全面、結(jié)構(gòu)過于松散，無法通過Wikipedia的分類圖結(jié)構(gòu)導(dǎo)出某個學(xué)科的完整概念結(jié)構(gòu)。為解決這一問題，本發(fā)明提出了一種結(jié)合WordNet與Wikipedia的學(xué)科概念空間與概念頁面集的形成方法。WordNet是由美國普林斯頓大學(xué)的心理學(xué)家、語言學(xué)家和計算機工程師聯(lián)合設(shè)計的大型認知語言學(xué)同義詞詞典，囊括了名詞、動詞、形容詞、副詞共計15萬多個英語詞條，并被組織成以同義詞為ID的分類結(jié)構(gòu)。WordNet詞匯豐富、結(jié)構(gòu)嚴謹、語義關(guān)系全面，被廣泛應(yīng)用于自然語言處理的各種任務(wù)當(dāng)中，并被許多國家翻譯和本地化，如歐洲研究理事會（ERC）資助開發(fā)的多語言百科全書字典BabelNet中包含有271種語言對照的WordNet。在WordNet的“知識分支branchofknowledge”同義詞組的is-a分類層次結(jié)構(gòu)中，包含有700多個不同學(xué)科種類，并且每個學(xué)科通過主題詞TOPICTERM關(guān)系，將本學(xué)科的重要概念關(guān)聯(lián)在一起，形成本學(xué)科的概念圖譜，但并沒有相關(guān)報道將其應(yīng)用于自動評卷中。發(fā)明內(nèi)容 本發(fā)明提供了一種基于維基百科與WordNet的論述題自動評卷方法，通過WordNet形成領(lǐng)域?qū)W科的初始主干概念空