成语题

摘要： 高考成语题多采用设误法,常见的设误法主要有以下七种:对象不分、褒贬乱用、望文生义、不合语境、不合语法、句意重复、谦敬错位.这七种设误法皆为常见成语测试设题法,考生如能掌握破解技巧,再加上平时多训练,考时定能从容应对,取得理想成绩.

摘要： 多年来，全国各地语文高考试题中，成语多是必考点，也是易失分点。高考成语题型主要有两类：辨析使用正误项、选择填空最恰当项。不论哪种题型，实质上都是考学生对成语‘的理解和运用，特别是对近似成语或近义成语的辨析和运用。要确保成语题不失分，一方面应大量积累常见成语，理解含义，明确用法；另一方面还要掌握一定的辨析技巧，以快速识别相似或相近成语的细微区别，从而作出正确的判断和选择。

摘要： 成语题是常考题.2013年全国卷的三套试卷中，成语题保持以前命题的传统：“下列各句中，加点的成语使用恰当的一项是”；2014年高考除大纲卷外，两套课标卷凸显创新的特点：“依次填入下列各句横线处的成语，

摘要： 2016年高考成语题考法有变化，看全国课标卷I的成语题：下列各句中加点词语的使用，全都正确的一项是（）

摘要： 2015年高考15套语文试卷中有10套对成语考点进行了考查，共考查了30条成语，均属于“常见”“常用”的范畴，没有爆出令人瞠目结舌的“冷门”。从取材看。2015年高考成语试题的语境非常新颖，涉及现代人社会生活的方方面面。带给人扑面而来的时代气息，给人以耳目一新之感。

摘要： 通观近几年中考试题，成语类试题常见的主要有注音、书写、辨形、释义以及识别误用等常规题型（识别误用类成语题最为常见）。经过中考命题人的不断探索，近年来成语类试题的考查形式快速演进，考查内容多方拓展，出现了许多形式新颖、内容独特的特色题型。笔者试从2014年众多成语特色试题中撷取其中的部分，略作解析。

摘要： 成语题在历年高考试题中出现的比例较高，本文以2015年全国各地高考试卷中成语题为主，结合其他年份高考试卷中的成语题，从张冠李戴、褒贬混用、词义混淆、搭配不当、自相矛盾、不合逻辑、轻重失度、望文生义、重复累赘、谦敬错位等10个常见的成语题设置的陷阱角度，分析高考复习中关于成语题的解答技巧。

摘要： 在全国卷不多的客观题中,成语考查题是其中的一个,分值3分,采用选择题,属于语言文字应用类。要做好成语题,首先应该准确理解成语的含义,弄清成语的出处。只有了解了廉颇蔺相如的故事,你就知道了＂刎颈之交＂就是生死之交,也不会把＂刎＂写成＂吻＂了。其次,理解成语还应该注意它的使用范围。＂汗牛充栋＂说的是书多；“妙手回春”说的是医术高明，别的什么手艺高超可不能用这个词；“倚马可待”说的是写作快，才思敏捷。

摘要： 2013年高考考查成语的全国及各省市卷．错误选项分布的情形是：大纲卷（以下通称广西卷）、课标I、课标Ⅱ、安徽卷各3项，浙江、山东卷各2项．广东、辽宁卷各1项。共有18个错项。

摘要： 2014年全国高考语文18套试卷中，除湖南卷、上海卷、福建卷、北京卷（北京卷考的是俗语）没有单独设题考查成语运用外，其余14套试卷对成语都有涉及。命题虽然还是辨别选择的形式，但风格各有不同。

摘要： 一种用于合成语音的运行时改进的方法和系统。方法包括根据文本输入(16)和多个运行时控制参数值(42)产生合成语音的步骤(40)。根据一个输入信号(46)产生实时数据(44)，其中输入信号表征语音对于收听者的可懂性。方法进一步提供了根据实时数据(20)修改(48)一个或更多的运行时控制参数值，从而提高语音的可懂性。在运行时而不是在设计阶段修改参数值提供了通过惯用方式不能取得的自适应水平。

摘要： 本发明公开一种选择题生成模型训练方法、选择题生成方法、设备及介质。该方法包括：获取目标应用领域对应的训练文档、标准题目信息和标准干扰选项；根据标准题目信息对训练文档进行关键段落提取，获取与标准题目信息相对应的关键段落；获取FinBert‑UniLM模型，配置FinBert‑UniLM模型对应的模型参数；将关键段落和标准题目信息输入到FinBert‑UniLM模型进行模型训练，获取目标应用领域对应的题目生成模型；将关键段落、标准题目信息和标准干扰选项输入到FinBert‑UniLM模型进行模型训练，获取与题目生成模型相对应的干扰项生成模型。该方法可保障选择题生成模型生成的选择题具有语言组织方式多样性、干扰选项与题干的顺畅性、选项长度满足业务需求以及知识点覆盖的全面性。

摘要： 本发明适用于图像识别技术领域，提供了一种拍照搜题方法、搜题装置及终端设备，拍照搜题方法包括：获取拍摄装置的拍摄界面相对于被摄物体的倾斜角度；当倾斜角度小于阈值时，对被摄物体进行对焦，并在对焦成功后，开始动态拍摄；在接收到预定指令后，停止动态拍摄，并获取动态拍摄中的间隔预设帧数的图像；计算间隔预设帧数的图像的清晰度，并对比清晰度，选择清晰度最大的图像；识别清晰度最大的图像中的内容，并将识别的内容上传至服务器进行试题匹配；接收并显示服务器反馈的与本次匹配到的试题对应的解题结果。通过本发明可以解决拍题时出现拍照抖动，导致拍摄图像不清晰，影响搜题的效率和准确率的问题。

摘要： 本申请涉及人工智能技术领域，提供一种成语填空题的答案选择方法、装置、计算机设备和存储介质，包括：获取成语填空题的问题文本；其中，问题文本包括填空文本以及n个候选成语，填空文本中包括m个待填入候选成语的填空；获取所有候选成语的解释文本；将填空文本以及解释文本输入至预先训练得到的成语选择填空模型中，得到每个候选成语填入每个填空的置信度；从n个候选成语中选择出m个成语组成多组答案；计算每一组答案中的候选成语填入填空的置信度总和；获取置信度总和最高的一组答案，输出为成语填空题的答案。本申请采用人工智能的方式，高效率、高准确率得出成语填空的答案。本申请还可应用于智慧教育领域中，以推动智慧城市的建设。

摘要： 本申请提供一种合成语音的方法、训练合成语音模型的方法及装置，该方法包括，利获取待模拟对象的情绪信息，其中，情绪信息包括语速信息、音量信息和音调信息中的至少一种；将待模拟对象的身份标识、待合成文本和情绪信息输入预先训练好的合成语音模型中，得到待合成文本对应的合成语音，其中合成语音模型是通过使用待模拟对象的预设语音样本对基础模型进行训练得到的，基础模型是通过使用一个或多个用户的标准语音样本对初始模型进行训练得到的，预设语音样本的时长小于标准语音样本的时长。通过该方法可以达到提高合成语音效率的效果。

摘要： 本申请提供成语推荐方法及装置、成语推荐模型的训练方法及装置，其中成语推荐方法包括：确定目标文档的文体类型；确定目标文档的目标推荐位置，并从目标文档中获取包含目标推荐位置的目标语句；将包含所述目标推荐位置的目标语句输入至目标文档的文体类型对应的成语推荐模型，输出目标推荐位置对应的推荐成语列表，其中，推荐成语列表包括至少一个推荐成语；将成语列表显示于目标文档的目标推荐位置，从而可以根据文体类型生成合适的推荐成语列表，方便用户快捷准确地找到适用于当前文体类型和语境的成语，无需切换到第三方工具、使用户查找成语的过程智能化、大幅度缩短选用成语的路径，并保证推荐成语的准确性。

摘要： 一种数字及生肖成语物品袋及成语分组法和扑克相册产品应用，属于成语应用技术和礼品应用设计技术等领域；它是基于成语应用技术和礼品应用设计技术等技术而发明的；在本发明中使用了许多常用的，带有数字和数字谐音的成语，以及带有和生肖相同，或者和生肖成为谐音的成语，而且还按照“零，一，二，三，四，五，六，七，八，九，十，百，千，万”等，和“鼠，牛，虎，兔，龙，蛇，马，羊，猴，鸡，狗，猪”等将它们适当进行分组和排列，形成了特定的分组排列法；其实物产品包括：数字及生肖成语物品袋，数字及生肖成语相册和其它本册类产品，数字及生肖成语扑克和其他相关产品，以及在各种固体和固体材料表面及其制品上的成组成语等等多种产品。

摘要： 本发明公开了一种主观题自动判题方法，包括以下过程：a.构建词汇库数据模型A和近义词库数据模型B；b.提取主观题标题和标准答案，生成标准答案关键词二维数组tp；c.提取学生作题的答案，生成学生答案词汇组二维数组sp；d.轮询学生答案语句，将答案词汇组二维数组sp与标准答案关键词二维数组tp比较得出每句答案的匹配程度，计算得到总关键词得分系数roe；e.将标准答案每句关键词组去掉其中与学生答案重复的元素，得到学生答案中未匹配到的关键词组wp；f.轮询wp的各个词汇，计算得到总近义词得分系数qs；g.综合总关键词得分系数roe和总近义词得分系数，得到最终分数。本发明方法扩大了匹配域，使判题算法更加精确，有效的简化了教师工作，提高教学效率。

摘要： 本发明公开了一种正则表达式在计算机教学中主观题自动改题的应用方法，包括如下步骤：S1：学生通过答题模块输入主观试题的主观答题内容并提交，此时主观答题内容被提交到题库；S2：规则模块设置正则表达式的批改规则，并获取该正则表达式的批改规则，同时学生提交的主观答题内容到题库后，通过筛选提取模块获取学生主观答题内容；S3：根据主观试题和正则表达式的批改规则的绑定情况，对学生主观答题内容进行批改，随后批改输出结果，老师获得学生答题情况。本发明从传统的教师一个一个的对学生答题进行批改查询到自动查阅，在教学过程中减轻老师压力，提高改题效率，老师和学生对错题有更加直观的评估，以提高学生学习的效率和效果。

摘要： 本发明公开一种选择题生成模型训练方法、选择题生成方法、设备及介质。该方法包括：获取目标应用领域对应的训练文档、标准题目信息和标准干扰选项；根据标准题目信息对训练文档进行关键段落提取，获取与标准题目信息相对应的关键段落；获取FinBert‑UniLM模型，配置FinBert‑UniLM模型对应的模型参数；将关键段落和标准题目信息输入到FinBert‑UniLM模型进行模型训练，获取目标应用领域对应的题目生成模型；将关键段落、标准题目信息和标准干扰选项输入到FinBert‑UniLM模型进行模型训练，获取与题目生成模型相对应的干扰项生成模型。该方法可保障选择题生成模型生成的选择题具有语言组织方式多样性、干扰选项与题干的顺畅性、选项长度满足业务需求以及知识点覆盖的全面性。