分类讨论问题

摘要： 等腰（边）三角形是最常见的特殊三角形,考试中常常以它为载体,与其他知识结合编制成综合性较强的问题,一是将它与图形的轴对称、旋转与变换相结合,探究数形结合与分类讨论问题;二是将它与反比例函数、二次函数等函数结合,探究函数、方程思想的应用问题;三是将它与运动问题结合,涉及三角形全等、三角形相似、特殊四边形等知识.

摘要： 为了准确理解和应用分类讨论,下面就解析几何中涉及的分类讨论问题进行归纳总结,供大家参考.

摘要： 分类讨论是一种逻辑方法,也是一种数学思想.解决这类问题的方法就是：化整为零,各个击破.由于分类讨论问题所覆盖的知识面比较广,解答这部分问题需要一定的分析能力,这就使分类讨论问题成为高考的重点和热点.下面举例说明分类讨论在数列中的应用.

摘要： 高中数学中与计数有关的分类讨论问题很多，有些问题事先能明确地知道分类的方法和讨论的程序，我们称之为显性的分类讨论问题，而有些问题我们事先并不知道需要分类讨论，也不知道怎样进行分类讨论，我们称之为隐性的分类讨论问题，隐性分类讨论是在解决问题的动态过程中分析、解剖，尝试、探索，解开纠结、打开缺口完成的．

摘要： 分类讨论是高中阶段重要的数学思想方法之一，它应用于函数、方程、不等式、数列、排列组合等各个方面，对培养学生的思维能力起着非常重要的作用．但是学生由于受数学水平的局限性与数学能力的影响，在学数学的过程中，解题往往都是“避繁从简”，对题中的参数，可能的情况不够重视，不知为何要分类，什么时候分类，根据那个量去分类．所以解决分类讨论问题的关键是找出分类的动机，即为什么分类；找出分类的对策，即怎样分类．下面主要就两个方面来谈．

摘要： 1分类讨论思想的涵义与基本类型分类讨论,就是当问题所给的对象不能进行统一研究时,就需要对研究对象按某个特征进行分类,然后对每一类分别研究得出每一类的结论,最后综合各类结果得到整个问题的解答.有关分类讨论思想的数学问题,之所以在中考试题中占有重要位置,原因有四:其一,具有明显的逻辑特点;二,分类讨论问题一般覆盖知识点较多,有利于对学生知识面的考查;三,解分类讨论问题,需要学生有一定的分析能力,一定的分类技巧,有利于对学生能力的考查;四,分类思想与生产实践和初等数学都紧密相关.

摘要： 在立体几何中，问题给出的条件不充分，点线面的位置关系不确定时，这就需要分类讨论，这类题的结果常有多解。但是我们解题时，往往容易忽略其中的一些可能性而造成漏解。

摘要： 分类讨论是处理数学问题的重要思想方法，它几乎涉及了高中数学的所有内容．高中学生面对复杂的、层次较多的分类讨论问题，往往很不容易找到分类的标准．本文通过教学中一个经典分类讨论案例的处理j抛砖引玉，期望能给读者一点启发．

摘要： 分类讨论是高中阶段数学解题时经常使用的数学思想之一．解决分类讨论问题的实质是整体问题化成部分问题来解决，化成部分问题后，就增加了题设的条件．这一实质注定了使用分类讨论的方法来解决问题时过程较为繁琐．不少学生由于审题等多方面原因，对部分题目盲目地使用分类讨论的方法来解决，从而增加了解题的繁琐程度和错解的风险．那么，如何简化或者直接避免不必要的分类讨论呢？下面，将一些常见的策略利用例题形式呈现给读者．

摘要： 在解集合问题时，由于它的特殊性，可将问题分为不同种类，然后逐类研究解决，从而达到解决问题的目的，这一思想方法称为分类讨论的思想方法．下面结合例题介绍分类讨论思想在解集合问题中的应用，供大家参考．

摘要： 本发明公开了一种基于深度学习的问题分类模型训练方法、问题分类方法以及装置。其中问题分类模型训练方法包括：提取问题文本样本中的特征信息样本，并生成对应的第一特征向量样本；对第一特征向量样本进行空间变换，得到第二特征向量样本；将第二特征向量样本输入至多层卷积神经网络中的多个卷积层和多个池化层，以通过叠加卷积操作和池化操作，得到第一融合特征向量样本；将第一融合特征向量样本输入至多层卷积神经网络中的全连接层，得到全局特征向量样本；根据全局特征向量样本对Softmax分类器进行训练，得到问题分类模型。该方法可免去大量人工设计特征的开销，通过该问题分类模型可以得到更加准确的分类结果，提高了标准问题与答案的定位。

摘要： 通过分类深度问题回答系统接收的第一事例，并且通过在训练深度问题回答系统回答第一事例时，识别第一事例中的第一特征，为第一特征计算第一特征分值，（所述第一特征分值指示在生成对第一事例的正确响应过程中第一特征的相关性，）以及一旦确定第一特征分值超过相关性阈值，则在回答被分类第一事例的过程中将第一特征识别为相关，本发明公开在深度问题回答系统中识别相关特征的系统和方法。此外，本发明公开深度问题回答系统生成对第一事例的响应的系统和方法，以及识别出在深度问题回答系统回答问题所使用的证据中的变化的系统和方法。

摘要： 本公开提供了一种生产问题分类模型的训练方法，可以应用于金融领域及人工智能技术领域。该生产问题分类模型包括关键词提取层和分类层，该生产问题分类模型的训练方法包括：获取训练样本数据集，训练样本数据集包括已知问题描述文本；将已知问题描述文本输入待训练的生产问题分类模型的关键词提取层，输出关键词集合；以及利用关键词集合训练待训练的生产问题分类模型的分类层，得到训练完成的生产问题分类模型。本公开还提供了一种生产问题分类方法、生产问题分类模型的训练装置、生产问题分类装置、设备、存储介质和程序产品。

摘要： 本申请公开了一种问题分类方法，问题分类装置、电子设备及计算机可读存储介质，其中，该问题分类方法包括：在待处理的客服问答数据中，提取得到两个以上主问题，其中，每个主问题均对应有各自的类别ID；根据第一主问题及第二主问题的类别ID，分别确定所述第一主问题及所述第二主问题的第一类别、第二类别及第三类别，其中，所述第一类别为问题的最大所属类别，所述第三类别为问题的最小所属类别；根据所述第一主问题及所述第二主问题的第一类别、第二类别及第三类别，确定所述第一主问题与所述第二主问题的相关级别。本申请方案可挖掘出不同问题之间的深层相关关系，帮助提升智能客服的反馈结果的准确度。

摘要： 本发明涉及一种针对在线协作讨论交互文本的自动分类方法，该方法包括：收集若干条在线协作讨论交互文本，对文本进行文本分词处理，将分词后的文本转换成为词向量形式；采用非对称Bi‑LSTM网络提取文本的上下文语义特征，利用全局注意力机制模型，从局部角度提取重点关注文本中和任务相关的关键特征并赋予权重，得到加权后的输出特征；利用条件随机场模型对加权后的输出特征进行解码，获取文本序列的最优标签；使用Softmax函数对在线协作讨论交互文本进行分类。本发明采用非对称Bi‑LSTM网络，通过自适应权值对前后向输出特征进行处理，获得全局上下文信息的基础上，有效增强了对在线协作讨论交互文本特征的获取能力，提高了在线协作讨论交互文本的分类精度。

摘要： 本申请涉及人工智能技术领域，提供了一种问题分类模型，包括：级联的n个分类模型，n为两个或两个以上；n个分类模型中包括级联的第i‑1个分类模型、第i个分类模型；第i个分类模型根据用户问题、第i‑1个分类模型输出的分类结果，输出第i个分类模型的分类结果，其中，第i个分类模型比第i‑1个分类模型所输出的分类结果的分类类别的颗粒度小。还提供了相应的问题分类方法以及问题分类模型的训练方法。本申请实施例提供的方案可以实现即使在少量样本数据训练的情况下，也能较为准确的实现问题的分类，提供较为准确的对应问题的答案。

摘要： 本发明公开了一种基于深度学习的问题分类模型训练方法、问题分类方法以及装置。其中问题分类模型训练方法包括：提取问题文本样本中的特征信息样本，并生成对应的第一特征向量样本；对第一特征向量样本进行空间变换，得到第二特征向量样本；将第二特征向量样本输入至多层卷积神经网络中的多个卷积层和多个池化层，以通过叠加卷积操作和池化操作，得到第一融合特征向量样本；将第一融合特征向量样本输入至多层卷积神经网络中的全连接层，得到全局特征向量样本；根据全局特征向量样本对Softmax分类器进行训练，得到问题分类模型。该方法可免去大量人工设计特征的开销，通过该问题分类模型可以得到更加准确的分类结果，提高了标准问题与答案的定位。

摘要： 本发明公开了一种用于解决多分类问题的纠错SVM分类方法，属于模式识别和机器学习技术领域。其特征是由纠错SVM网络的训练系统和纠错SVM网络的工作系统组成。纠错SVM网络的训练系统由编码器、训练样本集划分器、n个SVM单元训练器组成；纠错SVM网络的工作系统由经过纠错SVM网络的训练系统训练好的n个SVM单元、解码器组成。本发明利用数字通信中的纠错编码算法将多个SVM进行有效地组合，使得组合后的SVM网络具有纠正其中部分SVM单元所发生的分类错误的能力，而且需要使用的SVM单元的数量较少，从而使该分类方法的综合性能得到提高。

摘要： 本发明属于统计机器学习技术领域，具体涉及一种用于在大规模数据分类问题中训练SVM分类器的方法。该方法首先训练样本的聚类，根据聚类结果，把具有相同标签的样本分别拟合成高斯模型，作为训练的基本信息单元；然后根据K个高斯模型建立K×K的核矩阵，并建立带约束的二次规划问题，用数值方法求解之；最后利用该二次规划问题的解得到分类器的决策函数，使用该决策函数对测试样本进行预测。本发明方法对时间复杂度和空间复杂度都大有降低；可广泛应用于多媒体信息检索、生物信息识别、金融信息处理等领域。

摘要： 本发明提供了一种基于问题分类确定问题答案的方法、装置及电子设备，用于解决现有技术中识别亲属称谓计算问题的准确性较低，获取答案时间较长的问题。包括：获取问题的文本信息；通过预先训练的问题分类模型对所述文本信息进行分类；响应于所述文本信息被分类为预定类别且所述文本信息满足预定的规则，调用对应的计算函数来获取问题对应的答案。