一种自动解题方法、装置、计算机设备及存储介质

技术领域

本公开涉及计算机技术领域，具体而言，涉及一种自动解题方法、装置、计算机设备及存储介质。

背景技术

近年来，学生的教育问题越来越受到各方面的重视，但出于人力成本等多方面考量，学生们在进行答题时往往不会有专人进行随时的讲解，因此，需要借助应用程序对学生不会的练习题进行求解。

相关技术中，在对练习题进行求解时，一般是先提取练习题的题目信息，然后将提取的题目信息与数据库中存储的题目信息进行匹配，将数据库中与提取的题目信息匹配成功的题目信息对应的答案作为该练习题的答案，但由于题目本身灵活多变，且数据库中所存储的题目信息有限，因此这种方法容易受到数据库中数据量的影响，无法对于任意一个题目信息进行求解，不具有普遍适用性。

发明内容

本公开实施例至少提供一种自动解题方法、装置、计算机设备及存储介质。

第一方面，本公开实施例提供了一种自动解题方法，包括：

获取待解题目的题目信息；

基于神经网络模型和所述待解题目的题目信息，确定所述待解题目的至少一个解题步骤，以及与所述待解题目的每个解题步骤对应的解析参数信息；

基于所述每个解题步骤对应的解析参数信息和预设的解析模板，生成与所述待解题目对应的解析内容；所述解析模板中包含与不同解题步骤的逻辑顺序和解析参数信息匹配的形式化语言。

一种可能的实施方式中，所述获取待解题目的题目信息，包括：

获取包含所述待解题目的图像，并提取所述图像中的内容，从而得到所述待解题目的题目信息；或者，

获取用户在预设输入位置输入的所述待解题目的题目信息。

一种可能的实施方式中，所述方法还包括：

基于携带有解析标注信息的样本题目训练得到所述神经网络模型；

所述解析标注信息包括：至少一个解题步骤，以及每个解题步骤对应的解析参数信息和语义类型；

所述解析参数信息包括以下信息中的多种信息：

计算算式、单位信息、所述计算算式的计算意义、所述计算算式中每个计算参数的意义、所述计算算式所对应的计算类型。

一种可能的实施方式中，与所述待解题目对应的解析内容包括文本解析内容；

所述基于所述每个解题步骤对应的解析参数信息和预设的解析模板，生成与所述待解题目对应的解析内容，包括：

基于所述解题步骤对应的解题顺序，将所述解题步骤对应的解析参数信息依次添加至所述预设的解析模板中，生成与所述待解题目对应的文本解析内容。

一种可能的实施方式中，在生成与所述待解题目对应的文本解析内容之后，所述方法还包括：

基于所述文本解析内容，生成与所述待解题目对应的解析音频或解析视频；

展示生成的解析音频或解析视频。

一种可能的实施方式中，基于携带有解析标注信息的样本题目训练得到所述神经网络模型，包括：

获取多个样本题目的样本题目信息，其中，每一个所述样本题目携带有对应的解析标注信息；

将所述样本题目的样本题目信息输入至神经网络模型中，得到所述样本题目对应的至少一个预测解题步骤，以及与所述待解题目的每个预测解题步骤对应的解析参数信息；

基于所述样本题目对应的解析标注信息、所述至少一个预测解题步骤，以及与所述待解题目的每个预测解题步骤对应的解析参数信息，对所述神经网络模型进行训练。

第二方面，本公开实施例还提供一种自动解题方法，包括：

响应针对待解题目的解析触发操作，发起解析请求；

接收基于所述解析请求生成的针对所述待解题目的解析内容，并对所述解析内容进行展示，其中，所述解析内容中包括按照逻辑顺序组织的解题过程信息，所述解题过程信息包括解题逻辑分析和解题步骤分析，所述解题逻辑分析和解题步骤分析中包含解析参数信息和与所述解析参数信息匹配的形式化语言。

第三方面，本公开实施例提供一种自动解题装置，包括：

获取模块，用于获取待解题目的题目信息；

确定模块，用于基于神经网络模型和所述待解题目的题目信息，确定所述待解题目的至少一个解题步骤，以及与所述待解题目的每个解题步骤对应的解析参数信息；

生成模块，用于基于所述每个解题步骤对应的解析参数信息和预设的解析模板，生成与所述待解题目对应的解析内容；所述解析模板中包含与不同解题步骤的逻辑顺序和解析参数信息匹配的形式化语言。

一种可能的实施方式中，所述获取模块，在所述获取待解题目的题目信息时，用于：

获取包含所述待解题目的图像，并提取所述图像中的内容，从而得到所述待解题目的题目信息；或者，

获取用户在预设输入位置输入的所述待解题目的题目信息。

一种可能的实施方式中，所述确定模块，还用于：

基于携带有解析标注信息的样本题目训练得到所述神经网络模型；

所述解析标注信息包括：至少一个解题步骤，以及每个解题步骤对应的解析参数信息和语义类型；

所述解析参数信息包括以下信息中的多种信息：

计算算式、单位信息、所述计算算式的计算意义、所述计算算式中每个计算参数的意义、所述计算算式所对应的计算类型。

一种可能的实施方式中，与所述待解题目对应的解析内容包括文本解析内容；

所述生成模块，在所述基于所述每个解题步骤对应的解析参数信息和预设的解析模板，生成与所述待解题目对应的解析内容时，用于：

基于所述解题步骤对应的解题顺序，将所述解题步骤对应的解析参数信息依次添加至所述预设的解析模板中，生成与所述待解题目对应的文本解析内容。

一种可能的实施方式中，所述生成模块，在生成与所述待解题目对应的文本解析内容之后，还用于：

基于所述文本解析内容，生成与所述待解题目对应的解析音频或解析视频；

展示生成的解析音频或解析视频。

一种可能的实施方式中，所述确定模块，在基于携带有解析标注信息的样本题目训练得到所述神经网络模型时，用于：

获取多个样本题目的样本题目信息，其中，每一个所述样本题目携带有对应的解析标注信息；

将所述样本题目的样本题目信息输入至神经网络模型中，得到所述样本题目对应的至少一个预测解题步骤，以及与所述待解题目的每个预测解题步骤对应的解析参数信息；

基于所述样本题目对应的解析标注信息、所述至少一个预测解题步骤，以及与所述待解题目的每个预测解题步骤对应的解析参数信息，对所述神经网络模型进行训练。

第四方面，本公开实施例提供一种自动解题装置，包括：

响应模块，用于响应针对待解题目的解析触发操作，发起解析请求；

展示模块，用于接收基于所述解析请求生成的针对所述待解题目的解析内容，并对所述解析内容进行展示，其中，所述解析内容中包括按照逻辑顺序组织的解题过程信息，所述解题过程信息包括解题逻辑分析和解题步骤分析，所述解题逻辑分析和解题步骤分析中包含解析参数信息和与所述解析参数信息匹配的形式化语言。

第五方面，本公开可选实现方式还提供一种计算机设备，处理器、存储器，所述存储器存储有所述处理器可执行的机器可读指令，所述处理器用于执行所述存储器中存储的机器可读指令，所述机器可读指令被所述处理器执行时，所述机器可读指令被所述处理器执行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤，或执行上述第二方面，或第二方面中的步骤。

第六方面，本公开可选实现方式还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被运行时执行上述第一方面，或第一方面中任一种可能的实施方式中的步骤，或执行上述第二方面，或第二方面中的步骤。

本公开实施例提供的自动解题方法、装置、计算机设备及存储介质，可以基于神经网络模型和所述待解题目的题目信息，确定所述待解题目的解题步骤，以及与每个解题步骤对应的解析参数信息；再通过预设的解析模板，生成与所述待解题目对应的解析内容。基于这种方法，可以实现对于任意一个待解题目的求解，并且避免了数据库中数据量对于求解结果的影响，普遍适用性较高。

为使本公开的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本公开实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，此处的附图被并入说明书中并构成本说明书中的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。应当理解，以下附图仅示出了本公开的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1示出了本公开实施例所提供的一种自动解题方法的流程图；

图2示出了本公开实施例所提供的自动解题方法中，神经网络模型训练过程的流程图；

图3示出了本公开实施例所提供的另一种自动解题方法的流程图；

图4示出了本公开实施例所提供的一种自动解题装置400的示意图；

图5示出了本公开实施例所提供的另一种自动解题装置500的示意图；

图6示出了本公开实施例所提供的一种计算机设备600的结构示意图；

图7示出了本公开实施例所提供的一种计算机设备700的结构示意图。

具体实施方式

为使本公开实施例的目的、技术方案和优点更加清楚，下面将结合本公开实施例中附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。通常在此处描述和示出的本公开实施例的组件可以以各种不同的配置来布置和设计。因此，以下对本公开的实施例的详细描述并非旨在限制要求保护的本公开的范围，而是仅仅表示本公开的选定实施例。基于本公开的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。

经研究发现，在对练习题进行求解时，一般是先提取练习题的题目信息，然后将提取的题目信息与数据库中存储的题目信息进行匹配，将数据库中与提取的题目信息匹配成功的题目信息对应的答案作为该练习题的答案，但由于题目本身灵活多变，且数据库中所存储的题目信息有限，因此这种方法容易受到数据库中数据量的影响，无法对于任意一个题目信息进行求解，不具有普遍适用性。

示例性的，当所述数据库中没有存储匹配所述练习题的题目信息时，便无法对当前练习题进行求解。

基于上述研究，本公开提供了一种自动解题方法、装置、计算机设备及存储介质，可以基于神经网络模型和所述待解题目的题目信息，确定所述待解题目的解题步骤，以及与每个解题步骤对应的解析参数信息；再通过预设的解析模板，生成与所述待解题目对应的解析内容。基于这种方法，可以实现对于任意一个待解题目的求解，并且避免了数据库中数据量对于求解结果的影响，普遍适用性较高。

针对以上方案所存在的缺陷，均是发明人在经过实践并仔细研究后得出的结果，因此，上述问题的发现过程以及下文中本公开针对上述问题所提出的解决方案，都应该是发明人在本公开过程中对本公开做出的贡献。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

参见图1所示，为本公开实施例提供的一种自动解题方法的流程图，所述方法包括步骤S101～S103，其中：

S101：获取待解题目的题目信息。

S102：基于神经网络模型和所述待解题目的题目信息，确定所述待解题目的至少一个解题步骤，以及与所述待解题目的每个解题步骤对应的解析参数信息。

S103：基于所述每个解题步骤对应的解析参数信息和预设的解析模板，生成与所述待解题目对应的解析内容；所述解析模板中包含与不同解题步骤的逻辑顺序和解析参数信息匹配的形式化语言。

以下是针对上述步骤的详细说明：

针对S101、

实际应用中，获取所述待解题目的题目信息的方式可以是以下方式中的任一种：

方式一、获取用户在预设输入位置输入的所述题目信息。

所述题目信息可以是带有运算关系的可解答的应用题，比如：“水果店有120千克梨，苹果的质量是梨的3/4，橘子的质量是梨和苹果质量的和，橘子有多少千克？”

这里，在终端设备开发时，可以在客户端预设一个输入位置区域，用户可以通过键入或者复制粘贴的方式输入题目信息。

若所述获取用户在预设输入位置输入的所述题目信息的执行主体为客户端，则可以是用户在所述输入位置区域输入题目信息之后，客户端可以直接获取该题目信息；若所述获取用户在预设输入位置输入的所述题目信息的执行主体为服务器，则可以是用户在所述输入位置区域输入题目信息之后，客户端再基于该题目信息发起解析请求，所述解析请求中携带有题目信息，服务器基于该解析信息可以获取所述题目信息。

方式二、获取包含所述待解题目的图像、视频、音频等媒体内容，并提取所述媒体内容中的信息，从而得到所述题目信息。

若所述获取包含所述待解题目的图像的执行主体为客户端，则可以通过终端设备携带的摄像头获取包含有所述题目信息的图像，再通过光学字符识别(Optical CharacterRecognition，OCR)等识别技术，获取图像中包含的所述题目信息。

若所述获取包含所述待解题目的图像的执行主体为服务器，则可以先通过客户端获取终端设备携带的摄像头获取包含有所述题目信息的图像，再通过OCR等识别技术，确定图像中包含的所述题目信息，最后发送给所述服务器；或者，

服务器可以直接获取客户端发送的包含有所述待解题目的题目信息的图像，该图像可以是通过调用客户端部署的电子设备的摄像头采集的，再通过OCR等识别技术，得到所述题目信息。

当包含所述待解题目的媒体内容为视频时，可以对所述视频进行抽帧，确定其中包含所述的待解题目再通过OCR等识别技术，得到所述题目信息；当包含所述待解题目的媒体内容为音频时，可以通过语音识别技术将所述音频转化为包含所述待解题目的文本内容，从而得到所述题目信息。

针对S102、

在基于神经网络模型和所述待解题目的题目信息，确定所述待解题目的至少一个解题步骤，以及与所述待解题目的每个解题步骤对应的解析参数信息时，可以将上述步骤获取的所述题目信息输入至训练好的神经网络模型中，从而得到所述神经网络模型输出的至少一个解题步骤，以及与所述待解题目的每个解题步骤对应的解析参数信息。

在一种可能的实施方式中，所述神经网络模型可以自然语言处理(NaturalLanguage Processing，NLP)模型。

其中，所述解析参数信息包括以下信息中的多种信息：

计算算式、单位信息、所述计算算式的计算意义、所述计算算式中每个计算参数的意义、所述计算算式所对应的计算类型。

其中，所述计算算式所对应的计算类型可以是用于描述所述计算算式所采用的预设计算模板的类型，例如所述计算类型可以包括“因数、因数、积”、“加数、加数、和”、“求最小公倍数”、“求最大公因数”、“平均数、个数、总数”等。

示例性的，将如下所示题目信息输入至所述神经网络模型：

水果店有120千克梨，苹果的质量是梨的3/4，橘子的质量是梨和苹果质量的和的2/3，橘子有多少千克？

所述神经网络模型经过对所述题目信息进行处理后，可以生成如表1所示的输出内容：

表1

针对S103、

在接收到所述神经网络模型输出的解题步骤以及与所述待解题目的每个解题步骤对应的解析参数信息之后，为了能进一步的将所述解析参数信息进行展示，可以将所述每个解题步骤对应的解析参数信息输入至预设的解析模板，生成与所述待解题目对应的解析内容。

其中，所述解析模板中包含与不同解题步骤的逻辑顺序和解析参数信息匹配的形式化语言，所述形式化语言指的是可以使所述解析内容表达更为清楚生动的规范化的语言。

具体实施中，与所述待解题目对应的解析内容可以包括用于表示解题逻辑的第一解析内容，和用于表示详细解题步骤的第二解析内容。所述解析模板中用于生成第一解析内容和第二解析内容的形式化语言不同。

在一种可能的实施方式中，不同的待解题目对应的解析模板中用于生成第一解析内容的形式化语言可以相同；第二解析内容中包括不同的解题步骤对应的解析内容，解析模板中用于生成不同的解题步骤对应的解析内容的形式化语言可以不同。

在一种可能的实施方式中，所述解析模板中用于生成不同的解题步骤对应的解析内容的形式化语言可以与所述解题步骤的计算算式的计算类型有关，比如，当所述计算类型为“加数、加数、和”时，可以与该计算类型对应的形式化语言可以是“用__________与__________相加”；当所述计算类型为“因数、因数、积”时，与该计算类型对应的形式化语言可以是“用__________与__________相乘”。

具体实施中，可以预先设置各个形式化语言与所述计算类型之间的对应关系，在生成与待解题目对应的解析内容时，可以通过所述对应关系，可以在接收到所述神经网络模型输出的解题步骤以及与所述待解题目的每个解题步骤对应的解析参数信息之后，确定所述解题模板中用于生成第二解析内容的形式语言，再基于确定的形式化语言，生成第二解析内容。

示例性的，这里仍以S102中的水果店的问题为例，在接收到所述神经网络模型输出的如表1所示的信息后，可以根据其中的所述计算类型，确定的解析模板中的形式化语言。所述解题模板可以如表2所示：

表2

具体实施中，可以基于每个解题步骤对应的解析参数信息和各个解题步骤对应的解题顺序，对上表中待补充的内容进行完善。

具体的，(1)对应填写第三步计算算式的计算意义；(2)处对应填写第二步计算算式的计算意义；(3)对应填写第一步计算算式的计算意义；(4)处对应填写第一步的所述计算算式的意义；(5)(6)处对应填写第一步的所述计算算式中每个计算参数的意义；(7)(8)处对应填写第一步的所述计算算式的计算结果和对应参数的意义；(9)(10)处对应填写第二步的所述计算算式中每个计算参数的意义；(11)(12)处对应填写第二步的所述计算算式的计算结果和对应参数的意义；(13)处对应填写第三步的所述计算算式的计算结果和对应参数的意义(题目答案)。

在基于所述解题步骤对应的解题顺序，将所述解题步骤对应的解析参数信息依次添加至所述预设的解析模板之后，可以得到如表3所示的文本解析内容：

表3

进一步的，在生成与所述待解题目对应的文本解析内容之后，还可以通过以下几种方式进行展示：

方式一、

直接在预设的展示区域展示所述文本解析内容。

方式二、

基于所述文本解析内容，生成与所述待解题目对应的解析音频或解析视频，然后展示生成的解析音频或解析视频，比如可以使用语音合成，也即文语转换(Text toSpeech，TTS)技术，将文本解析内容生成对应的解析音频，通过播放所述解析音频可以展示出所述解析内容。

在一种可能的实施方式中，所述神经网络模型的训练过程可以如图2所示，包括以下几个步骤：

S201：获取多个样本题目的样本题目信息，其中，每一个所述样本题目携带有对应的解析标注信息。

其中，所述解析标注信息包括：

至少一个解题步骤，以及每个解题步骤对应的解析参数信息和语义类型。这里，所述解题步骤的语义类型用于描述该解题步骤的执行意义，在训练神经网络模型时，将解题步骤的语义类型作为一项监督信息，可以指导所述神经网络模型生成计算算式。

示例性的，加法所对应的语义类型可以包括在原有物基础上添加增量、将两种物质进行混合等，所述解题步骤的语义类型可以与解题步骤的计算类型有关，具体实施中，可以预先设置每种计算类型对应的可选的多种语义类型，然后基于用户的选择指令，为每个解题步骤确定对应的语义类型。

S202：将所述样本题目的样本题目信息输入至神经网络模型中，得到所述样本题目对应的至少一个预测解题步骤，以及与所述待解题目的每个预测解题步骤对应的解析参数信息。

S203：基于所述样本题目对应的解析标注信息、所述至少一个预测解题步骤，以及与所述待解题目的每个预测解题步骤对应的解析参数信息，对所述神经网络模型进行训练。

具体的，可以基于所述解析标注信息和解析参数信息计算本次训练过程中的损失值，并在计算出的损失值不满足预设损失条件的情况下，调整本次训练过程中神经网络模型的模型参数，并返回执行S202。

参见图3所示，为本公开实施例提供的另一种自动解题方法的流程图，所述方法包括步骤S301～S302，其中：

S301：响应针对待解题目的解析触发操作，发起解析请求。

这里，所述解析触发操作可以是针对所述待解题目的选中、长按、双击等操作，示例性的，当用户在浏览页面中发现待解题目时，可以通过选中所述待解题目来完成解析触发操作；也可以在预设位置区域输入所述待解题目信息，然后通过点击预设的解析触发按钮来实现解析触发操作。

S302：接收基于所述解析请求生成的针对所述待解题目的解析内容，其中，所述解析内容中包括按照逻辑顺序组织的解题过程信息，所述解题过程信息包括解题逻辑分析和解题步骤分析，所述解题逻辑分析和解题步骤分析中包含解析参数信息和与所述解析参数信息匹配的形式化语言。

这里，所述解题逻辑分析可以是按照所述待解题目的题目信息进行转换的分析过程，具体的，可以将对所述待解题目的问题(未知量)的求解转换为对所述题目信息(已知量/关系)的计算。

示例性的，所述解题逻辑分析可以是“要求XXX(未知量)，需要先基于XXX(已知量/关系)求XXX(介于已知量和未知量的中间量)；要求XXX(所述中间量)，需要XXX(另外的已知量/关系)。”这样，可以一步一步的将对所述未知量的求解转换为各已知量/关系之间的运算，即可完成所述解题逻辑分析。

在完成所述解题逻辑分析后，将对应所述解题逻辑中的每一个步骤中的已知量/关系在所述待解题目中的具体数值进行代入并结合所述形式化语言，即可生成所述解题步骤分析。

本公开实施例提供的自动解题方法，可以基于神经网络模型和所述待解题目的题目信息，确定所述待解题目的解题步骤，以及与每个解题步骤对应的解析参数信息；再通过预设的解析模板，生成与所述待解题目对应的解析内容。基于这种方法，可以实现对于任意一个待解题目的求解，并且避免了数据库中数据量对于求解结果的影响，普遍适用性较高。

本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

基于同一发明构思，本公开实施例中还提供了一种与自动解题方法对应的自动解题装置，由于本公开实施例中的装置解决问题的原理与本公开实施例上述自动解题方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。

参照图4所示，为本公开实施例提供的一种自动解题装置400的示意图，所述装置包括：获取模块401、确定模块402、生成模块403；其中，

获取模块401，用于获取待解题目的题目信息；

确定模块402，用于基于神经网络模型和所述待解题目的题目信息，确定所述待解题目的至少一个解题步骤，以及与所述待解题目的每个解题步骤对应的解析参数信息；

生成模块403，用于基于所述每个解题步骤对应的解析参数信息和预设的解析模板，生成与所述待解题目对应的解析内容；所述解析模板中包含与不同解题步骤的逻辑顺序和解析参数信息匹配的形式化语言。

一种可能的实施方式中，所述获取模块401，在所述获取待解题目的题目信息时，用于：

获取包含所述待解题目的图像，并提取所述图像中的内容，从而得到所述待解题目的题目信息；或者，

获取用户在预设输入位置输入的所述待解题目的题目信息。

一种可能的实施方式中，所述确定模块402，还用于：

基于携带有解析标注信息的样本题目训练得到所述神经网络模型；

所述解析标注信息包括：至少一个解题步骤，以及每个解题步骤对应的解析参数信息和语义类型；

所述解析参数信息包括以下信息中的多种信息：

计算算式、单位信息、所述计算算式的计算意义、所述计算算式中每个计算参数的意义、所述计算算式所对应的计算类型。

一种可能的实施方式中，与所述待解题目对应的解析内容包括文本解析内容；

所述生成模块403，在所述基于所述每个解题步骤对应的解析参数信息和预设的解析模板，生成与所述待解题目对应的解析内容时，用于：

基于所述解题步骤对应的解题顺序，将所述解题步骤对应的解析参数信息依次添加至所述预设的解析模板中，生成与所述待解题目对应的文本解析内容。

一种可能的实施方式中，所述生成模块403，在生成与所述待解题目对应的文本解析内容之后，还用于：

基于所述文本解析内容，生成与所述待解题目对应的解析音频或解析视频；

展示生成的解析音频或解析视频。

一种可能的实施方式中，所述确定模块402，在基于携带有解析标注信息的样本题目训练得到所述神经网络模型时，用于：

获取多个样本题目的样本题目信息，其中，每一个所述样本题目携带有对应的解析标注信息；

将所述样本题目的样本题目信息输入至神经网络模型中，得到所述样本题目对应的至少一个预测解题步骤，以及与所述待解题目的每个预测解题步骤对应的解析参数信息；

基于所述样本题目对应的解析标注信息、所述至少一个预测解题步骤，以及与所述待解题目的每个预测解题步骤对应的解析参数信息，对所述神经网络模型进行训练。

基于同一发明构思，本公开实施例中还提供了另一种与自动解题方法对应的自动解题装置，由于本公开实施例中的装置解决问题的原理与本公开实施例上述信息搜索方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。

参照图5所示，为本公开实施例提供的另一种自动解题装置500的示意图，所述装置包括：响应模块501、展示模块502；其中，

响应模块501，用于响应针对待解题目的解析触发操作，发起解析请求；

展示模块502，用于接收基于所述解析请求生成的针对所述待解题目的解析内容，并对所述解析内容进行展示，其中，所述解析内容中包括按照逻辑顺序组织的解题过程信息，所述解题过程信息包括解题逻辑分析和解题步骤分析，所述解题逻辑分析和解题步骤分析中包含解析参数信息和与所述解析参数信息匹配的形式化语言。

本公开实施例提供的自动解题装置，可以基于神经网络模型和所述待解题目的题目信息，确定所述待解题目的解题步骤，以及与每个解题步骤对应的解析参数信息；再通过预设的解析模板，生成与所述待解题目对应的解析内容。基于这种方法，可以实现对于任意一个待解题目的求解，并且避免了数据库中数据量对于求解结果的影响，普遍适用性较高。

关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明，这里不再详述。

基于同一技术构思，本公开实施例还提供了一种计算机设备。参照图6所示，为本公开实施例提供的计算机设备600的结构示意图，包括处理器601、存储器602、和总线603。其中，存储器602用于存储执行指令，包括内存6021和外部存储器6022；这里的内存6021也称内存储器，用于暂时存放处理器601中的运算数据，以及与硬盘等外部存储器6022交换的数据，处理器601通过内存6021与外部存储器6022进行数据交换，当计算机设备600运行时，处理器601与存储器602之间通过总线603通信，使得处理器601在执行以下指令：

获取待解题目的题目信息；

基于神经网络模型和所述待解题目的题目信息，确定所述待解题目的至少一个解题步骤，以及与所述待解题目的每个解题步骤对应的解析参数信息；

基于所述每个解题步骤对应的解析参数信息和预设的解析模板，生成与所述待解题目对应的解析内容；所述解析模板中包含与不同解题步骤的逻辑顺序和解析参数信息匹配的形式化语言。

一种可能的实施方式中，处理器601执行的指令中，所述获取待解题目的题目信息，包括：

获取包含所述待解题目的图像，并提取所述图像中的内容，从而得到所述待解题目的题目信息；或者，

获取用户在预设输入位置输入的所述待解题目的题目信息。

一种可能的实施方式中，处理器601执行的指令中，所述方法还包括：

基于携带有解析标注信息的样本题目训练得到所述神经网络模型；

所述解析标注信息包括：至少一个解题步骤，以及每个解题步骤对应的解析参数信息和语义类型；

所述解析参数信息包括以下信息中的多种信息：

计算算式、单位信息、所述计算算式的计算意义、所述计算算式中每个计算参数的意义、所述计算算式所对应的计算类型。

一种可能的实施方式中，处理器601执行的指令中，与所述待解题目对应的解析内容包括文本解析内容；

所述基于所述每个解题步骤对应的解析参数信息和预设的解析模板，生成与所述待解题目对应的解析内容，包括：

基于所述解题步骤对应的解题顺序，将所述解题步骤对应的解析参数信息依次添加至所述预设的解析模板中，生成与所述待解题目对应的文本解析内容。

一种可能的实施方式中，处理器601执行的指令中，在生成与所述待解题目对应的文本解析内容之后，所述方法还包括：

基于所述文本解析内容，生成与所述待解题目对应的解析音频或解析视频；

展示生成的解析音频或解析视频。

一种可能的实施方式中，处理器601执行的指令中，基于携带有解析标注信息的样本题目训练得到所述神经网络模型，包括：

获取多个样本题目的样本题目信息，其中，每一个所述样本题目携带有对应的解析标注信息；

将所述样本题目的样本题目信息输入至神经网络模型中，得到所述样本题目对应的至少一个预测解题步骤，以及与所述待解题目的每个预测解题步骤对应的解析参数信息；

基于所述样本题目对应的解析标注信息、所述至少一个预测解题步骤，以及与所述待解题目的每个预测解题步骤对应的解析参数信息，对所述神经网络模型进行训练。

基于同一技术构思，本公开实施例还提供了一种计算机设备。参照图7所示，为本公开实施例提供的计算机设备700的结构示意图，包括处理器701、存储器702、和总线703。其中，存储器702用于存储执行指令，包括内存7021和外部存储器7022；这里的内存7021也称内存储器，用于暂时存放处理器701中的运算数据，以及与硬盘等外部存储器7022交换的数据，处理器701通过内存7021与外部存储器7022进行数据交换，当计算机设备700运行时，处理器701与存储器702之间通过总线703通信，使得处理器701在执行以下指令：

响应针对待解题目的解析触发操作，发起解析请求；

接收基于所述解析请求生成的针对所述待解题目的解析内容，并对所述解析内容进行展示，其中，所述解析内容中包括按照逻辑顺序组织的解题过程信息，所述解题过程信息包括解题逻辑分析和解题步骤分析，所述解题逻辑分析和解题步骤分析中包含解析参数信息和与所述解析参数信息匹配的形式化语言。

本公开实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法实施例中所述的自动解题方法的步骤。其中，该存储介质可以是易失性或非易失的计算机可读取存储介质。

本公开实施例所提供的自动解题方法的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行上述方法实施例中所述的自动解题方法的步骤，具体可参见上述方法实施例，在此不再赘述。

本公开实施例还提供一种计算机程序，该计算机程序被处理器执行时实现前述实施例的任意一种方法。该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software DevelopmentKit，SDK)等等。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。在本公开所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本公开各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-OnlyMemory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本公开的具体实施方式，用以说明本公开的技术方案，而非对其限制，本公开的保护范围并不局限于此，尽管参照前述实施例对本公开进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本公开实施例技术方案的精神和范围，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应所述以权利要求的保护范围为准。