CN108363687A - 主观题评分及其模型的构建方法、电子设备及存储介质 - Google Patents
主观题评分及其模型的构建方法、电子设备及存储介质 Download PDFInfo
- Publication number
- CN108363687A CN108363687A CN201810039229.4A CN201810039229A CN108363687A CN 108363687 A CN108363687 A CN 108363687A CN 201810039229 A CN201810039229 A CN 201810039229A CN 108363687 A CN108363687 A CN 108363687A
- Authority
- CN
- China
- Prior art keywords
- sentence
- subjective item
- similarity
- construction method
- simple sentence
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/253—Grammatical analysis; Style critique
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种主观题评分及其模型的构建方法、电子设备及存储介质,其中主观题评分模型的构建方法包括:获取训练样本,训练样本包括多个主观题答题样本以及每个答题样本所对应的人工评分;提取训练样本的文本特征,文本特征包括答题样本的整体特征和单句特征;将文本特征和对应的人工评分输入机器学习模型进行训练,直到机器学习模型的输出分数与人工评分的差值达到预设值。本发明通过将训练样本的文本特征和对应的人工评分输入机器学习模型,训练出主观题评分模型,将此主观题评分模型应用于主观题评分中,可以有效降低人力成本,且可以克服人工评分中仅依靠关键词所造成的评分结果不准确、评分不公平的问题。
Description
技术领域
本发明涉及机器学习领域,尤其涉及一种主观题评分及其模型的构建方法、电子设备及存储介质。
背景技术
目前,对主观题进行评分大多停留在关键词的匹配上,也就是用大量的人工罗列出所有可能的关键词,然后查找考生的答案中是否出现这些可能的关键词,如果出现这些可能的关键词,则得分,否则不得分。
该技术需要大量的人工,对主观题的每一个要点都罗列出所有可能的关键词需要不小的人力;对负责罗列关键词的人工素质要求比较高,为了罗列出尽量多的可能关键词,需要专业的申论教学人员。另外,句子虽然由词语组成,但词与词之间的关系也隐藏了大量的语义信息,基于关键词的匹配会导致这一部分信息丢失,导致评分结果不准确。
发明内容
为了克服现有技术的不足,本发明的目的之一在于提供一种主观题评分模型的构建方法,通过该模型对主观题进行评分,以解决现有人工评分中人力成本高且评分结构不准确的问题。
本发明的目的之二在于提供一种主观题评分方法,以解决现有人工评分中人力成本高且评分结构不准确的问题。
本发明的目的之三在于提供一种电子设备,以解决现有人工评分中人力成本高且评分结构不准确的问题。
本发明的目的之一采用如下技术方案实现:
一种主观题评分模型的构建方法,包括:
获取训练样本,所述训练样本包括多个主观题答题样本以及每个答题样本所对应的人工评分;
提取所述训练样本的文本特征,所述文本特征包括答题样本的整体特征和单句特征;
将所述文本特征和对应的人工评分输入机器学习模型进行训练,直到机器学习模型的输出分数与所述人工评分的差值达到预设值。
进一步地,所述提取所述训练样本的文本特征包括:
提取所述训练样本的整体特征;
对所述训练样本进行拆分,计算单句相似度。
进一步地,所述计算单句相似度包括:
获取单句句型和对应的单句句型的相似度计算参数;
根据相似度计算参数计算单句与参考答案中对应语句的相似度。
进一步地,所述根据相似度计算参数计算单句与参考答案中对应语句的相似度包括:
计算单句与参考答案中对应语句的句法相似度;
计算单句与参考答案中对应语句的语法相似度;
根据所述句法相似度、所述语法相似度及所述相似度计算参数计算单句相似度。
进一步地,所述计算单句与参考答案中对应语句的句法相似度包括:
对单句和参考答案中对应语句进行分词和词性标注;
计算所述单句和所述参考答案中对应语句的词性的数量;
根据所述词性的数量计算单句和参考答案中对应语句的句法相似度。
进一步地,所述计算单句与参考答案中对应语句的语法相似度包括:
根据词向量库将单句和参考答案中对应语句中的词语转化为向量;所述词向量库由多个词语样本训练而成,每个词语对应唯一一个向量;
根据单句和参考答案中对应语句中的词语的向量的相似度计算语法相似度。
进一步地,所述整体特征包括标题特征、结构特征、语言特征及逻辑特征。
本发明的目的之二采用如下技术方案实现:
一种主观题评分方法,其基于上述的主观题评分模型的构建方法,包括:
提取主观题的文本特征;
将所述文本特征输入所述主观题评分模型,以输出所述主观题的得分。
本发明的目的之三采用如下技术方案实现:
一种电子设备,包括:处理器;
存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行上述的主观题评分模型的构建方法或主观题评分方法。
本发明还涉及一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行上述的主观题评分模型的构建方法或主观题评分方法。
相比现有技术,本发明的有益效果在于:通过将训练样本的文本特征和对应的人工评分输入机器学习模型,训练出主观题评分模型,将此主观题评分模型应用于主观题评分中,可以有效降低人力成本,且可以克服人工评分中仅依靠关键词所造成的评分结果不准确、评分不公平的问题。
附图说明
图1为本发明实施例提供的主观题评分模型的构建方法流程图;
图2为本发明实施例提供的主观题评分方法流程图;
图3为本发明实施例提供的电子设备的示意图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
如图1所示,本发明实施例提供的主观题评分模型的构建方法,包括:
步骤S101:获取训练样本,所述训练样本包括多个主观题答题样本以及每个答题样本所对应的人工评分。
具体的,将大量已经经过人工评分的主观题答题样本作为训练样本,主观题答题样本可以相同命题的大量作文样本,每个答题样本对应一个人工评分。
步骤S102:提取所述训练样本的文本特征,所述文本特征包括答题样本的整体特征和单句特征。
该步骤包括:
步骤S201:提取所述训练样本的整体特征。
具体的,整体特征包括标题特征、结构特征、语言特征及逻辑特征。以作文为例,其中标题特征为作文是否有标题,例如,可以将有标题的作文的标题特征设为1,将没有标题的作文的标题特征设为0,;结构特征为作文的结构是否合理,例如作文是否分段、分段数量等,将结构特征设为多个不同的数值,不同的分段情况对应不同的数值;语言特征为作文中的词汇是否丰富、是否出现名言警句,提取特征前先建立词汇和名言警句数据库,检测作文中是否出现数据库中的词汇和名言警句以及出现的数量,同理,根据出现的词汇和名言警句的数量为该作文设定不同的语言特征的取值;逻辑特征为作文开头或结尾是否点题,抽取作文开头和结尾的关键词,与参考答案对比,判断作文是否点题,根据不同的情况设定不同的逻辑特征的取值。
步骤S202:对所述训练样本进行拆分,计算单句相似度。
其中,单句相似度即为训练样本的单句特征,该步骤包括:
步骤S301:获取单句句型和对应的单句句型的相似度计算参数。
具体的,将训练样本拆分成短文档或单句,先人工判断单句句型,比如陈述句、疑问句或感叹句,不同的句型对应不同的单句相似度计算公式和相似度计算参数。
步骤S302:根据相似度计算参数计算单句与参考答案中对应语句的相似度。
该步骤包括:
步骤S401:计算单句与参考答案中对应语句的句法相似度。
具体的,首先对单句和参考答案中对应语句进行分词和词性标注,将单句和参考答案中对应语句分别按照名称、动词、形容词、副词等词性进行分词并标注,将单句和参考答案中对应语句中相同词性的词语放在一个集合内;
然后计算单句和参考答案中对应语句的词性的数量,也即集合的数量;
最后根据词性的数量计算单句和参考答案中对应语句的句法相似度;
假设单句中的词性的数量为m个,参考答案中对应语句的词性的数量为n个,单句和参考答案中对应语句中同时存在的词性的数量为p个,则句法相似度S的计算公式为:
S=p/(m+n-p)。
步骤S402:计算单句与参考答案中对应语句的语法相似度。
具体的,首先根据词向量库将单句和参考答案中对应语句中的词语转化为向量;其中,词向量库由多个词语样本训练而成,即利用网络爬虫技术,采集互联网上大量的中文语言样本,如百科词条、新闻、小说、歌词、古诗词等中文语料,将采集的中文语料导入语言处理模型中,语言处理模型是将采集语料训练形成向量库的模型,经过语言处理模型训练,使得每个词语在该向量库中都对应一个300维的向量映射,即每个词语对应唯一一个向量。
然后根据单句和参考答案中对应语句中的词语的向量的相似度计算语法相似度。假设单句和参考答案中对应语句共有n个相似词语,单句中的词语对应的向量Ai与参考答案中对应语句中的词语的向量Bi相似,则语法相似度的计算公式为:
步骤S403:根据所述句法相似度、所述语法相似度及所述相似度计算参数计算单句相似度。
具体的,单句相似度的通用计算公式为:
R=S*P(s)+W*P(w),其中,P(s)和P(w)分别为句法和语法的权重;对于不同的句型,设定不同的权重值计算单句相似度。
将不同的单句相似度的值设定为不同的取值作为该单句的单句特征,整体特征和单句特征即为作文的文本特征。
步骤S103:将所述文本特征和对应的人工评分输入机器学习模型进行训练,直到机器学习模型的输出分数与所述人工评分的差值达到预设值。
具体的,将文本特征和对应的人工评分输入机器学习模型,机器学习模型的选择可以KNN(邻近算法)、SVM(支持向量机)、DNN(深度神经网络算法)或RNN(循环神经网络算法)等,根据不同的题型选择不同的机器学习模型和模型评估标准进行训练,直到机器学习模型的输出分数与人工评分的差值在预设范围内,则模型训练完成。
将该模型应用于主观题评分中,可以克服人工修改过程中仅依靠关键词造成不准确、不公平的问题以及效率低的问题。
如图2所示,本发明实施例提供的主观题评分方法,其基于上述的主观题评分模型的构建方法,包括:
步骤S501:提取主观题的文本特征。
具体的,提取主观题的整体特征和单句特征,具体过程同步骤S102。
步骤S502:将所述文本特征输入所述主观题评分模型,以输出所述主观题的得分。
本发明提供的主观题评分方法,可以有效降低人力成本,且可以克服人工评分中仅依靠关键词所造成的评分结构不准确、评分不公平的问题。
如图3所示,本发明实施例提供的电子设备,包括:处理器11、存储器12以及程序,其中程序被存储在存储器12中,并且被配置成由处理器11执行,程序包括用于执行上述的主观题评分模型的构建方法或主观题评分方法。
本实施例中的电子设备与前述实施例中的方法是基于同一发明构思下的两个方面,在前面已经对方法实施过程作了详细的描述,所以本领域技术人员可根据前述描述清楚地了解本实施例中的电子设备的实施过程,为了说明书的简洁,在此就不再赘述。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来。本发明还涉及一种计算机可读存储介质,如ROM/RAM、磁碟、光盘等,其上存储有计算机程序,计算机程序被处理器执行上述的主观题评分模型的构建方法或主观题评分方法。
本发明提供的主观题评分及其模型的构建方法、电子设备及存储介质通过将训练样本的文本特征和对应的人工评分输入机器学习模型,训练出主观题评分模型,将此主观题评分模型应用于主观题评分中,可以有效降低人力成本,且可以克服人工评分中仅依靠关键词所造成的评分结果不准确、评分不公平的问题。
上述实施方式仅为本发明的优选实施方式,不能以此来限定本发明保护的范围,本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
Claims (10)
1.一种主观题评分模型的构建方法,其特征在于,包括:
获取训练样本,所述训练样本包括多个主观题答题样本以及每个答题样本所对应的人工评分;
提取所述训练样本的文本特征,所述文本特征包括答题样本的整体特征和单句特征;
将所述文本特征和对应的人工评分输入机器学习模型进行训练,直到机器学习模型的输出分数与所述人工评分的差值达到预设值。
2.根据权利要求1所述的主观题评分模型的构建方法,其特征在于,所述提取所述训练样本的文本特征包括:
提取所述训练样本的整体特征;
对所述训练样本进行拆分,计算单句相似度。
3.根据权利要求2所述的主观题评分模型的构建方法,其特征在于,所述计算单句相似度包括:
获取单句句型和对应的单句句型的相似度计算参数;
根据相似度计算参数计算单句与参考答案中对应语句的相似度。
4.根据权利要求3所述的主观题评分模型的构建方法,其特征在于,所述根据相似度计算参数计算单句与参考答案中对应语句的相似度包括:
计算单句与参考答案中对应语句的句法相似度;
计算单句与参考答案中对应语句的语法相似度;
根据所述句法相似度、所述语法相似度及所述相似度计算参数计算单句相似度。
5.根据权利要求4所述的主观题评分模型的构建方法,其特征在于,所述计算单句与参考答案中对应语句的句法相似度包括:
对单句和参考答案中对应语句进行分词和词性标注;
计算所述单句和所述参考答案中对应语句的词性的数量;
根据所述词性的数量计算单句和参考答案中对应语句的句法相似度。
6.根据权利要求5所述的主观题评分模型的构建方法,其特征在于,所述计算单句与参考答案中对应语句的语法相似度包括:
根据词向量库将单句和参考答案中对应语句中的词语转化为向量;所述词向量库由多个词语样本训练而成,每个词语对应唯一一个向量;
根据单句和参考答案中对应语句中的词语的向量的相似度计算语法相似度。
7.根据权利要求2所述的主观题评分模型的构建方法,其特征在于,所述整体特征包括标题特征、结构特征、语言特征及逻辑特征。
8.一种主观题评分方法,其特征在于,其基于权利要求1-7任一项所述的主观题评分模型的构建方法,包括:
提取主观题的文本特征;
将所述文本特征输入所述主观题评分模型,以输出所述主观题的得分。
9.一种电子设备,其特征在于,包括:处理器;
存储器;以及程序,其中所述程序被存储在所述存储器中,并且被配置成由处理器执行,所述程序包括用于执行如权利要求1-7所述的主观题评分模型的构建方法或权利要求8所述的主观题评分方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行如权利要求1-7所述的主观题评分模型的构建方法或权利要求8所述的主观题评分方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810039229.4A CN108363687A (zh) | 2018-01-16 | 2018-01-16 | 主观题评分及其模型的构建方法、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810039229.4A CN108363687A (zh) | 2018-01-16 | 2018-01-16 | 主观题评分及其模型的构建方法、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108363687A true CN108363687A (zh) | 2018-08-03 |
Family
ID=63006249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810039229.4A Pending CN108363687A (zh) | 2018-01-16 | 2018-01-16 | 主观题评分及其模型的构建方法、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108363687A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871322A (zh) * | 2019-01-28 | 2019-06-11 | 华南理工大学 | 一种基于机器学习的程序题自动评分方法 |
CN109993499A (zh) * | 2019-02-27 | 2019-07-09 | 平安科技(深圳)有限公司 | 面试综合评价方法、装置、计算机设备及存储介质 |
CN110096572A (zh) * | 2019-04-12 | 2019-08-06 | 平安普惠企业管理有限公司 | 一种样本生成方法、装置及计算机可读介质 |
CN110096708A (zh) * | 2019-04-30 | 2019-08-06 | 科大讯飞股份有限公司 | 一种定标集确定方法及装置 |
CN110175229A (zh) * | 2019-05-27 | 2019-08-27 | 言图科技有限公司 | 一种基于自然语言进行在线培训的方法和系统 |
CN110309503A (zh) * | 2019-05-21 | 2019-10-08 | 昆明理工大学 | 一种基于深度学习bert--cnn的主观题评分模型及评分方法 |
CN110414819A (zh) * | 2019-07-19 | 2019-11-05 | 中国电信集团工会上海市委员会 | 一种工单评分方法 |
CN111221939A (zh) * | 2019-11-22 | 2020-06-02 | 华中师范大学 | 评分方法、装置和电子设备 |
CN111324692A (zh) * | 2020-01-16 | 2020-06-23 | 深圳市芥菜种科技有限公司 | 基于人工智能的主观题自动评分方法和装置 |
WO2020147238A1 (zh) * | 2019-01-18 | 2020-07-23 | 平安科技(深圳)有限公司 | 关键词的确定方法、自动评分方法、装置、设备及介质 |
CN111523322A (zh) * | 2020-04-25 | 2020-08-11 | 中信银行股份有限公司 | 需求文档质量评价模型训练方法及需求文档质量评价方法 |
CN111581379A (zh) * | 2020-04-28 | 2020-08-25 | 电子科技大学 | 一种基于作文扣题度的自动作文评分计算方法 |
CN112115736A (zh) * | 2019-06-19 | 2020-12-22 | 广东小天才科技有限公司 | 一种基于图像识别的作业批改方法、系统和智能终端 |
CN112116840A (zh) * | 2019-06-19 | 2020-12-22 | 广东小天才科技有限公司 | 一种基于图像识别的作业批改方法、系统和智能终端 |
CN112199472A (zh) * | 2020-10-12 | 2021-01-08 | 山东山大鸥玛软件股份有限公司 | 一种基于迁移学习的主观题智能评卷方法、系统及设备 |
CN112686020A (zh) * | 2020-12-29 | 2021-04-20 | 科大讯飞股份有限公司 | 作文评分方法、装置、电子设备及存储介质 |
CN112740132A (zh) * | 2018-08-10 | 2021-04-30 | 主动学习有限公司 | 简答题评分预测 |
CN113822514A (zh) * | 2020-12-23 | 2021-12-21 | 常州中吴网传媒有限公司 | 一种全媒体文稿质量控制方法 |
CN117520522A (zh) * | 2023-12-29 | 2024-02-06 | 华云天下(南京)科技有限公司 | 一种基于rpa和ai结合的智能对话方法、装置及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1700200A (zh) * | 2005-05-30 | 2005-11-23 | 梁茂成 | 英语作文自动评分系统 |
CN102779220A (zh) * | 2011-05-10 | 2012-11-14 | 李德霞 | 英语试卷打分系统 |
CN103151042A (zh) * | 2013-01-23 | 2013-06-12 | 中国科学院深圳先进技术研究院 | 全自动口语评测管理与评分系统及其评分方法 |
CN103955874A (zh) * | 2014-03-31 | 2014-07-30 | 西南林业大学 | 一种基于语义相似度区间的主观题自动评分系统及方法 |
CN105677779A (zh) * | 2015-12-30 | 2016-06-15 | 山东大学 | 一种基于评分机制的反馈型问题类型分类器系统及其工作方法 |
-
2018
- 2018-01-16 CN CN201810039229.4A patent/CN108363687A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1700200A (zh) * | 2005-05-30 | 2005-11-23 | 梁茂成 | 英语作文自动评分系统 |
CN102779220A (zh) * | 2011-05-10 | 2012-11-14 | 李德霞 | 英语试卷打分系统 |
CN103151042A (zh) * | 2013-01-23 | 2013-06-12 | 中国科学院深圳先进技术研究院 | 全自动口语评测管理与评分系统及其评分方法 |
CN103955874A (zh) * | 2014-03-31 | 2014-07-30 | 西南林业大学 | 一种基于语义相似度区间的主观题自动评分系统及方法 |
CN105677779A (zh) * | 2015-12-30 | 2016-06-15 | 山东大学 | 一种基于评分机制的反馈型问题类型分类器系统及其工作方法 |
Non-Patent Citations (1)
Title |
---|
柏雪: "主观题自动阅卷系统的研究与设计", 《中国优秀硕士学位论文全文数据库信息科技辑(月刊)》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112740132A (zh) * | 2018-08-10 | 2021-04-30 | 主动学习有限公司 | 简答题评分预测 |
WO2020147238A1 (zh) * | 2019-01-18 | 2020-07-23 | 平安科技(深圳)有限公司 | 关键词的确定方法、自动评分方法、装置、设备及介质 |
CN109871322A (zh) * | 2019-01-28 | 2019-06-11 | 华南理工大学 | 一种基于机器学习的程序题自动评分方法 |
CN109993499A (zh) * | 2019-02-27 | 2019-07-09 | 平安科技(深圳)有限公司 | 面试综合评价方法、装置、计算机设备及存储介质 |
CN110096572B (zh) * | 2019-04-12 | 2023-09-15 | 成都美满科技有限责任公司 | 一种样本生成方法、装置及计算机可读介质 |
CN110096572A (zh) * | 2019-04-12 | 2019-08-06 | 平安普惠企业管理有限公司 | 一种样本生成方法、装置及计算机可读介质 |
CN110096708A (zh) * | 2019-04-30 | 2019-08-06 | 科大讯飞股份有限公司 | 一种定标集确定方法及装置 |
CN110096708B (zh) * | 2019-04-30 | 2023-12-01 | 科大讯飞股份有限公司 | 一种定标集确定方法及装置 |
CN110309503A (zh) * | 2019-05-21 | 2019-10-08 | 昆明理工大学 | 一种基于深度学习bert--cnn的主观题评分模型及评分方法 |
CN110175229A (zh) * | 2019-05-27 | 2019-08-27 | 言图科技有限公司 | 一种基于自然语言进行在线培训的方法和系统 |
CN110175229B (zh) * | 2019-05-27 | 2021-07-06 | 言图科技有限公司 | 一种基于自然语言进行在线培训的方法和系统 |
CN112116840A (zh) * | 2019-06-19 | 2020-12-22 | 广东小天才科技有限公司 | 一种基于图像识别的作业批改方法、系统和智能终端 |
CN112115736A (zh) * | 2019-06-19 | 2020-12-22 | 广东小天才科技有限公司 | 一种基于图像识别的作业批改方法、系统和智能终端 |
CN110414819A (zh) * | 2019-07-19 | 2019-11-05 | 中国电信集团工会上海市委员会 | 一种工单评分方法 |
CN111221939B (zh) * | 2019-11-22 | 2023-09-08 | 华中师范大学 | 评分方法、装置和电子设备 |
CN111221939A (zh) * | 2019-11-22 | 2020-06-02 | 华中师范大学 | 评分方法、装置和电子设备 |
CN111324692A (zh) * | 2020-01-16 | 2020-06-23 | 深圳市芥菜种科技有限公司 | 基于人工智能的主观题自动评分方法和装置 |
CN111523322A (zh) * | 2020-04-25 | 2020-08-11 | 中信银行股份有限公司 | 需求文档质量评价模型训练方法及需求文档质量评价方法 |
CN111581379B (zh) * | 2020-04-28 | 2022-03-25 | 电子科技大学 | 一种基于作文扣题度的自动作文评分计算方法 |
CN111581379A (zh) * | 2020-04-28 | 2020-08-25 | 电子科技大学 | 一种基于作文扣题度的自动作文评分计算方法 |
CN112199472B (zh) * | 2020-10-12 | 2021-07-20 | 山东山大鸥玛软件股份有限公司 | 一种基于迁移学习的主观题智能评卷方法、系统及设备 |
CN112199472A (zh) * | 2020-10-12 | 2021-01-08 | 山东山大鸥玛软件股份有限公司 | 一种基于迁移学习的主观题智能评卷方法、系统及设备 |
CN113822514A (zh) * | 2020-12-23 | 2021-12-21 | 常州中吴网传媒有限公司 | 一种全媒体文稿质量控制方法 |
CN112686020A (zh) * | 2020-12-29 | 2021-04-20 | 科大讯飞股份有限公司 | 作文评分方法、装置、电子设备及存储介质 |
CN112686020B (zh) * | 2020-12-29 | 2024-06-04 | 科大讯飞股份有限公司 | 作文评分方法、装置、电子设备及存储介质 |
CN117520522A (zh) * | 2023-12-29 | 2024-02-06 | 华云天下(南京)科技有限公司 | 一种基于rpa和ai结合的智能对话方法、装置及电子设备 |
CN117520522B (zh) * | 2023-12-29 | 2024-03-22 | 华云天下(南京)科技有限公司 | 一种基于rpa和ai结合的智能对话方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108363687A (zh) | 主观题评分及其模型的构建方法、电子设备及存储介质 | |
CN106484664B (zh) | 一种短文本间相似度计算方法 | |
US8301640B2 (en) | System and method for rating a written document | |
TWI608367B (zh) | 中文文本可讀性計量系統及其方法 | |
CN110287319B (zh) | 基于情感分析技术的学生评教文本分析方法 | |
CN108073673A (zh) | 一种基于机器学习的法律知识图谱构建方法、装置、系统和介质 | |
CN107239439A (zh) | 基于word2vec的舆情倾向性分析方法 | |
CN105843897A (zh) | 一种面向垂直领域的智能问答系统 | |
CN106997341B (zh) | 一种创新方案匹配方法、装置、服务器及系统 | |
CN107305539A (zh) | 一种基于Word2Vec网络情感新词发现的文本倾向性分析方法 | |
CN105824933A (zh) | 基于主述位的自动问答系统及其实现方法 | |
CN110362678A (zh) | 一种自动提取中文文本关键词的方法与装置 | |
CN111143672B (zh) | 基于知识图谱的专业特长学者推荐方法 | |
WO2024131111A1 (zh) | 一种智能写作方法、装置、设备及非易失性可读存储介质 | |
CN107301165A (zh) | 一种试题难度分析方法及系统 | |
CN103136359A (zh) | 单文档摘要生成方法 | |
CN110598219A (zh) | 一种面向豆瓣网电影评论的情感分析方法 | |
Chen et al. | Automated essay scoring by capturing relative writing quality | |
CN101599071A (zh) | 对话文本主题的自动提取方法 | |
CN104504023A (zh) | 一种基于领域本体的高准确率主观题计算机自动阅卷方法 | |
CN106257455A (zh) | 一种基于依存关系模板抽取观点评价对象的Bootstrapping算法 | |
CN110688489A (zh) | 基于交互注意力的知识图谱推演方法、装置和存储介质 | |
CN108874896A (zh) | 一种基于神经网络和幽默特征的幽默识别方法 | |
CN106446147A (zh) | 一种基于结构化特征的情感分析方法 | |
CN110399603A (zh) | 一种基于意群划分的文本处理技术方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180803 |