CN110309503A - 一种基于深度学习bert--cnn的主观题评分模型及评分方法 - Google Patents
一种基于深度学习bert--cnn的主观题评分模型及评分方法 Download PDFInfo
- Publication number
- CN110309503A CN110309503A CN201910423110.1A CN201910423110A CN110309503A CN 110309503 A CN110309503 A CN 110309503A CN 201910423110 A CN201910423110 A CN 201910423110A CN 110309503 A CN110309503 A CN 110309503A
- Authority
- CN
- China
- Prior art keywords
- semantic feature
- text
- cnn
- answer
- bert
- 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
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 239000013598 vector Substances 0.000 claims abstract description 67
- 239000011159 matrix material Substances 0.000 claims abstract description 40
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000006243 chemical reaction Methods 0.000 claims abstract description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 37
- 238000013507 mapping Methods 0.000 claims description 11
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Educational Technology (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Machine Translation (AREA)
Abstract
本发明公开了一种基于深度学习BERT‑‑CNN的主观题评分模型及评分方法,包括BERT转换词向量矩阵模块、CNN语义特征提取模块、相似度计算模块、评分模块,其中BERT转换词向量矩阵模块,用于将所述答案文本转换为词向量矩阵,然后将各答案的词向量矩阵传至CNN语义特征提取模块,CNN语义特征提取模块用于获取所述答案文本的语义特征向量,包括卷积层和池化层,获得各答案文本语义特征向量,并将其输送到相似度计算模块,计算出各答案文本语义特征向量之间的相似度值,然后将相似度值输送到评分模块,用于确定答案文本的得分,本发明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仅进行关键词匹配所造成的评分结果不准确、评分不公平的问题。
Description
技术领域
本发明涉及一种主观题评分模型及评分方法,具体涉及一种基于深度学习BERT--CNN的主观题评分模型及评分方法,属于人工智能领域。
背景技术
目前,仅仅依靠关键词的匹配对主观题进行评分,也就是通过提取参考答案与考生答案中关键词的方法,然后将参考答案中的关键词与考生答案中关键词进行匹配,若匹配率高,则得分高,否则得分低或不得分。
该技术虽然能提取到关键词,但往往会忽略词义或语义,以及词与词之间的关系所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了一种基于深度学习BERT--CNN的主观题评分模型,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、财力的浪费及评分结构不合理的问题。
一种基于深度学习BERT--CNN的主观题评分模型,包括BERT转换词向量矩阵模块、CNN语义特征提取模块、相似度计算模块、评分模块,其中BERT转换词向量矩阵模块,用于将所述答案文本转换为词向量矩阵,然后将各答案的词向量矩阵传至CNN语义特征提取模块,CNN语义特征提取模块用于获取所述答案文本的语义特征向量,包括卷积层和池化层,将所述答案文本映射矩阵输入到CNN卷积层,得到部分或所有隐含层的输出,得到各答案文本语义特征矩阵,然后将答案文本语义特征矩阵进行池化运算,获得各答案文本语义特征向量,并将其输送到相似度计算模块,计算出各答案文本语义特征向量之间的相似度值,然后将相似度值输送到评分模块,用于确定答案文本的得分。
本发明的目的之二提供一种基于深度学习BERT--CNN的主观题评分模型进行评分的方法,具体步骤如下:
步骤(1):利用BERT对主观题的参考答案文本中每个词进行向量化表示,获取参考答案文本的语义特征,并构建参考答案文本映射矩阵,采用CNN卷积神经网络对参考答案文本映射矩阵进行卷积运算,获取所有或部分隐含层的输出,得到参考答案文本的语义特征矩阵,利用池化算法对参考答案的语义特征矩阵进行降维得到参考答案文本的语义特征向量;
步骤(2):利用BERT对主观题的考生答案文本中每个词进行向量化表示,获取考生答案文本的语义特征,并构建考生答案文本映射矩阵,采用CNN卷积神经网络对考生答案文本映射矩阵进行卷积运算,获取所有或部分隐含层的输出,得到考生答案文本的语义特征矩阵,利用池化算法对考生答案的语义特征矩阵进行降维得到考生答案文本的语义特征向量;
步骤(3):将步骤(1)得到的参考答案文本的语义特征向量和步骤(2)得到的考生答案文本的语义特征向量进行余弦相似度计算,得到两个语义特征向量的相似度值;
步骤(4):将所述相似度值代入计算得分模型中,计算最终得分。
步骤(4)中的计算得分模型为:最终得分=相似度*本题分值。
步骤(3)中相似度计算公式为:
其中,similarity表示相似度,A为答案文本的语义特征向量,B为考生答案文本的语义特征向量,θ表示A、B两个向量的夹角,Ai表示A向量的各分向量,Bi表示B向量的各分向量,n表示分向量总数。
所述步骤(1)、步骤(2)中的池化算法为最大池化法、最小池化法或平均池化法。
所述参考答案文本的语义特征向量和考生答案文本的语义特征向量均包含词义信息、语义信息、词语与文本语义之间的关联信息。
BERT是一种预训练语言表示(language representations)的方法,在一个大型文本语料库(比如维基百科)上训练一个通用的“语言理解”模型,然后将这个模型用于下游NLP任务(比如问题回答)。BERT优于以前的方法,因为它是第一个用于预训练NLP的无监督、深度双向的系统。
本发明的有益效果是:
(1)本发明根据BERT分别从参考答案和考生答案文本中自动学习语义特征,将主观题自动评分问题转化为了依据文本语义进行评分问题。
(2)本发明首次将BERT--CNN应用到中文主观题自动评分方法中,是在主观题自动评分中的新应用,具有较高的评分准确率,能适用于不同学科的主观题,例如地理、政治、历史、语文、生物等。
(3)本发明利用谷歌训练好的BERT模型,获取答案文本中的语义信息,有效的解决了由于多义词的歧义问题,和未能考虑上下文信息的问题,有效挖掘了上下文中的词序特征。
(4)本发明通过CNN提取答案文本的语义特征,有效挖掘答案文本中的语义信息与词语之间的关联信息,改善了文本的语义敏感性问题,提高了主观题自动评分的性能。
(5)本发明通过自定义的计算得分模型,来计算出最终得分,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仅进行关键词匹配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是本发明的评分方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
实施例1:本基于深度学习BERT--CNN的主观题评分模型,包括BERT转换词向量矩阵模块、CNN语义特征提取模块、相似度计算模块、评分模块,其中BERT转换词向量矩阵模块,用于将所述答案文本转换为词向量矩阵,然后将各答案的词向量矩阵传至CNN语义特征提取模块,CNN语义特征提取模块用于获取所述答案文本的语义特征向量,包括卷积层和池化层,获得各答案文本语义特征向量,并将其输送到相似度计算模块,计算出各答案文本语义特征向量之间的相似度值,然后将相似度值输送到评分模块,用于确定答案文本的得分。
利用本基于深度学习BERT--CNN的主观题评分模型进行评分的方法,首先获取一个通用的“语言理解”模型,利用谷歌训练好的BERT模型,获取答案文本中的语义信息,即BERT模型,然后如图1所示,进行以下步骤:
步骤(1):利用BERT对主观题的参考答案文本中每个词进行向量化表示,获取参考答案文本的语义特征,并构建参考答案文本映射矩阵,采用CNN卷积神经网络对参考答案文本映射矩阵进行卷积运算,获取所有或部分隐含层的输出,得到参考答案文本的语义特征矩阵,利用池化算法对参考答案的语义特征矩阵进行降维得到参考答案文本的语义特征向量,参考答案文本的语义特征向量包含词义信息、语义信息、词语与文本语义之间的关联信息;
步骤(2):利用BERT对主观题的考生答案文本中每个词进行向量化表示,获取考生答案文本的语义特征,并构建考生答案文本映射矩阵,采用CNN卷积神经网络对考生答案文本映射矩阵进行卷积运算,获取所有或部分隐含层的输出,得到考生答案文本的语义特征矩阵,利用池化算法对考生答案的语义特征矩阵进行降维得到考生答案文本的语义特征向量,考生答案文本的语义特征向量包含词义信息、语义信息、词语与文本语义之间的关联信息;
步骤(3):将步骤(1)得到的参考答案文本的语义特征向量和步骤(2)得到的考生答案文本的语义特征向量进行余弦相似度计算,得到两个语义特征向量的相似度值,相似度计算公式为:
其中,similarity表示相似度,A为答案文本的语义特征向量,B为考生答案文本的语义特征向量,θ表示A、B两个向量的夹角,Ai表示A向量的各分向量,Bi表示B向量的各分向量,n表示分向量总数。
步骤(4):将所述相似度值代入计算得分模型中,计算最终得分。
最终得分=相似度*本题分值。
所述步骤(1)、步骤(2)中的池化算法均为最大池化法。
实施例2:本实施例方法同实施例1相同,不同之处在于,步骤(1)、步骤(2)中的池化算法均为最小池化法。
实施例3:本实施例方法同实施例1相同,不同之处在于,步骤(1)、步骤(2)中的池化算法均为平均池化法。
上面结合附图对本发明的具体实施例作了详细说明,但是本发明并不限于上述实施例,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (6)
1.一种基于深度学习BERT--CNN的主观题评分模型,其特征在于,包括BERT转换词向量矩阵模块、CNN语义特征提取模块、相似度计算模块、评分模块,其中BERT转换词向量矩阵模块,用于将所述答案文本转换为词向量矩阵,然后将各答案的词向量矩阵传至CNN语义特征提取模块,CNN语义特征提取模块用于获取所述答案文本的语义特征向量,包括卷积层和池化层,获得各答案文本语义特征向量,并将其输送到相似度计算模块,计算出各答案文本语义特征向量之间的相似度值,然后将相似度值输送到评分模块,用于确定答案文本的得分。
2.一种利用权利要求1所述的基于深度学习BERT--CNN的主观题评分模型进行评分的方法,其特征在于,具体步骤如下:
步骤(1):利用BERT对主观题的参考答案文本中每个词进行向量化表示,获取参考答案文本的语义特征,并构建参考答案文本映射矩阵,采用CNN卷积神经网络对参考答案文本映射矩阵进行卷积运算,获取所有或部分隐含层的输出,得到参考答案文本的语义特征矩阵,利用池化算法对参考答案的语义特征矩阵进行降维得到参考答案文本的语义特征向量;
步骤(2):利用BERT对主观题的考生答案文本中每个词进行向量化表示,获取考生答案文本的语义特征,并构建考生答案文本映射矩阵,采用CNN卷积神经网络对考生答案文本映射矩阵进行卷积运算,获取所有或部分隐含层的输出,得到考生答案文本的语义特征矩阵,利用池化算法对考生答案的语义特征矩阵进行降维得到考生答案文本的语义特征向量;
步骤(3):将步骤(1)得到的参考答案文本的语义特征向量和步骤(2)得到的考生答案文本的语义特征向量进行余弦相似度计算,得到两个语义特征向量的相似度值;
步骤(4):将所述相似度值代入计算得分模型中,计算最终得分。
3.根据权利要求2所述的基基于深度学习BERT--CNN的主观题评分模型进行评分的方法,其特征在于:步骤(4)中的计算得分模型为:最终得分=相似度*本题分值。
4.根据权利要求2所述的基于深度学习BERT--CNN的主观题评分模型进行评分的方法,其特征在于:步骤(3)中相似度计算公式为:
其中,similarity表示相似度,A为答案文本的语义特征向量,B为考生答案文本的语义特征向量,θ表示A、B两个向量的夹角,Ai表示A向量的各分向量,Bi表示B向量的各分向量,n表示分向量总数。
5.根据权利要求2所述的基于深度学习BERT--CNN的主观题评分模型进行评分的方法,其特征在于:所述步骤(1)、步骤(2)中的池化算法为最大池化法、最小池化法或平均池化法。
6.根据权利要求2所述的基于深度学习BERT--CNN的主观题评分模型进行评分的方法,其特征在于:所述参考答案文本的语义特征向量和考生答案文本的语义特征向量均包含词义信息、语义信息、词语与文本语义之间的关联信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910423110.1A CN110309503A (zh) | 2019-05-21 | 2019-05-21 | 一种基于深度学习bert--cnn的主观题评分模型及评分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910423110.1A CN110309503A (zh) | 2019-05-21 | 2019-05-21 | 一种基于深度学习bert--cnn的主观题评分模型及评分方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110309503A true CN110309503A (zh) | 2019-10-08 |
Family
ID=68075418
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910423110.1A Pending CN110309503A (zh) | 2019-05-21 | 2019-05-21 | 一种基于深度学习bert--cnn的主观题评分模型及评分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110309503A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110737839A (zh) * | 2019-10-22 | 2020-01-31 | 京东数字科技控股有限公司 | 短文本的推荐方法、装置、介质及电子设备 |
CN110941698A (zh) * | 2019-11-18 | 2020-03-31 | 陕西师范大学 | 一种基于bert下卷积神经网络的服务发现方法 |
CN111177380A (zh) * | 2019-12-21 | 2020-05-19 | 厦门快商通科技股份有限公司 | 一种意图数据质检方法及系统 |
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 |
CN111310458A (zh) * | 2020-03-20 | 2020-06-19 | 广东工业大学 | 一种基于多特征融合的主观题自动评分方法 |
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 |
CN111428026A (zh) * | 2020-02-20 | 2020-07-17 | 西安电子科技大学 | 一种多标签文本分类处理方法及系统、信息数据处理终端 |
CN112101027A (zh) * | 2020-07-24 | 2020-12-18 | 昆明理工大学 | 基于阅读理解的中文命名实体识别方法 |
CN112102124A (zh) * | 2020-08-31 | 2020-12-18 | 湖北美和易思教育科技有限公司 | 一种大数据基础算法学习自动评价方法及系统 |
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 |
CN112308370A (zh) * | 2020-09-16 | 2021-02-02 | 湘潭大学 | 一种基于Transformer的面向思政课程的主观题自动评分技术 |
CN112328767A (zh) * | 2020-11-11 | 2021-02-05 | 重庆邮电大学 | 基于bert模型和比较聚合框架的问答匹配方法 |
CN113282702A (zh) * | 2021-03-16 | 2021-08-20 | 广东医通软件有限公司 | 一种智能检索方法及检索系统 |
CN113672694A (zh) * | 2020-05-13 | 2021-11-19 | 武汉Tcl集团工业研究院有限公司 | 一种文本处理方法、终端以及存储介质 |
CN115497455A (zh) * | 2022-11-21 | 2022-12-20 | 山东山大鸥玛软件股份有限公司 | 一种英语口语考试语音智能评测方法、系统及装置 |
CN117540727A (zh) * | 2024-01-08 | 2024-02-09 | 珠海金智维信息科技有限公司 | 基于albert模型与rpa技术的主观题评分方法及系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104463101A (zh) * | 2014-11-06 | 2015-03-25 | 科大讯飞股份有限公司 | 用于文字性试题的答案识别方法及系统 |
CN107133211A (zh) * | 2017-04-26 | 2017-09-05 | 中国人民大学 | 一种基于注意力机制的作文评分方法 |
CN107562792A (zh) * | 2017-07-31 | 2018-01-09 | 同济大学 | 一种基于深度学习的问答匹配方法 |
CN107967318A (zh) * | 2017-11-23 | 2018-04-27 | 北京师范大学 | 一种采用lstm神经网络的中文短文本主观题自动评分方法和系统 |
CN107967255A (zh) * | 2017-11-08 | 2018-04-27 | 北京广利核系统工程有限公司 | 一种判定文本相似性的方法和系统 |
CN108021555A (zh) * | 2017-11-21 | 2018-05-11 | 浪潮金融信息技术有限公司 | 一种基于深度卷积神经网络的问句相似度度量方法 |
CN108363753A (zh) * | 2018-01-30 | 2018-08-03 | 南京邮电大学 | 评论文本情感分类模型训练与情感分类方法、装置及设备 |
CN108363687A (zh) * | 2018-01-16 | 2018-08-03 | 深圳市脑洞科技有限公司 | 主观题评分及其模型的构建方法、电子设备及存储介质 |
CN108932342A (zh) * | 2018-07-18 | 2018-12-04 | 腾讯科技(深圳)有限公司 | 一种语义匹配的方法、模型的学习方法及服务器 |
CN109117738A (zh) * | 2018-07-19 | 2019-01-01 | 江苏黄金屋教育发展股份有限公司 | 基于人工智能的阅卷方法 |
CN109213999A (zh) * | 2018-08-20 | 2019-01-15 | 成都佳发安泰教育科技股份有限公司 | 一种主观题评分方法 |
CN109271505A (zh) * | 2018-11-12 | 2019-01-25 | 深圳智能思创科技有限公司 | 一种基于问题答案对的问答系统实现方法 |
-
2019
- 2019-05-21 CN CN201910423110.1A patent/CN110309503A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN104463101A (zh) * | 2014-11-06 | 2015-03-25 | 科大讯飞股份有限公司 | 用于文字性试题的答案识别方法及系统 |
CN107133211A (zh) * | 2017-04-26 | 2017-09-05 | 中国人民大学 | 一种基于注意力机制的作文评分方法 |
CN107562792A (zh) * | 2017-07-31 | 2018-01-09 | 同济大学 | 一种基于深度学习的问答匹配方法 |
CN107967255A (zh) * | 2017-11-08 | 2018-04-27 | 北京广利核系统工程有限公司 | 一种判定文本相似性的方法和系统 |
CN108021555A (zh) * | 2017-11-21 | 2018-05-11 | 浪潮金融信息技术有限公司 | 一种基于深度卷积神经网络的问句相似度度量方法 |
CN107967318A (zh) * | 2017-11-23 | 2018-04-27 | 北京师范大学 | 一种采用lstm神经网络的中文短文本主观题自动评分方法和系统 |
CN108363687A (zh) * | 2018-01-16 | 2018-08-03 | 深圳市脑洞科技有限公司 | 主观题评分及其模型的构建方法、电子设备及存储介质 |
CN108363753A (zh) * | 2018-01-30 | 2018-08-03 | 南京邮电大学 | 评论文本情感分类模型训练与情感分类方法、装置及设备 |
CN108932342A (zh) * | 2018-07-18 | 2018-12-04 | 腾讯科技(深圳)有限公司 | 一种语义匹配的方法、模型的学习方法及服务器 |
CN109117738A (zh) * | 2018-07-19 | 2019-01-01 | 江苏黄金屋教育发展股份有限公司 | 基于人工智能的阅卷方法 |
CN109213999A (zh) * | 2018-08-20 | 2019-01-15 | 成都佳发安泰教育科技股份有限公司 | 一种主观题评分方法 |
CN109271505A (zh) * | 2018-11-12 | 2019-01-25 | 深圳智能思创科技有限公司 | 一种基于问题答案对的问答系统实现方法 |
Non-Patent Citations (8)
Title |
---|
ALEXANDRE VILCEK等: "Transformer-Based Deep Siamese Network for At-Scale Product Matching and One-Shot Hierarchy Classification", 《ACM》 * |
JACOB DEVLIN等: "BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding", 《ARXIV:1810.04805V1》 * |
代霸天: "主观题自动评分之神经网络", 《HTTPS://ZHUANLAN.ZHIHU.COM/P/30718570》 * |
刘泽权等: "学习者英译文自动评估系统的设计与实现", 《解放军外国语学院学报》 * |
周博通: "基于知识库的自动问答关键技术研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
周洲等: "基于TF-IDF及LSI模型的主观题自动评分系统研究", 《软件》 * |
李学俊: "基于人工智能的主观题自动评分算法实现", 《江南大学学报(自然科学版)》 * |
王逸凡等: "基于语义相似度及命名实体识别的主观题自动评分方法", 《电子测量技术》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110737839A (zh) * | 2019-10-22 | 2020-01-31 | 京东数字科技控股有限公司 | 短文本的推荐方法、装置、介质及电子设备 |
CN110941698B (zh) * | 2019-11-18 | 2022-09-27 | 陕西师范大学 | 一种基于bert下卷积神经网络的服务发现方法 |
CN110941698A (zh) * | 2019-11-18 | 2020-03-31 | 陕西师范大学 | 一种基于bert下卷积神经网络的服务发现方法 |
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 |
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 |
CN111177380A (zh) * | 2019-12-21 | 2020-05-19 | 厦门快商通科技股份有限公司 | 一种意图数据质检方法及系统 |
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 |
CN111428026A (zh) * | 2020-02-20 | 2020-07-17 | 西安电子科技大学 | 一种多标签文本分类处理方法及系统、信息数据处理终端 |
CN111310458B (zh) * | 2020-03-20 | 2023-04-07 | 广东工业大学 | 一种基于多特征融合的主观题自动评分方法 |
CN111310458A (zh) * | 2020-03-20 | 2020-06-19 | 广东工业大学 | 一种基于多特征融合的主观题自动评分方法 |
CN113672694A (zh) * | 2020-05-13 | 2021-11-19 | 武汉Tcl集团工业研究院有限公司 | 一种文本处理方法、终端以及存储介质 |
CN112101027A (zh) * | 2020-07-24 | 2020-12-18 | 昆明理工大学 | 基于阅读理解的中文命名实体识别方法 |
CN112102124A (zh) * | 2020-08-31 | 2020-12-18 | 湖北美和易思教育科技有限公司 | 一种大数据基础算法学习自动评价方法及系统 |
CN112308370A (zh) * | 2020-09-16 | 2021-02-02 | 湘潭大学 | 一种基于Transformer的面向思政课程的主观题自动评分技术 |
CN112308370B (zh) * | 2020-09-16 | 2024-03-05 | 湘潭大学 | 一种基于Transformer的面向思政课程的主观题自动评分方法 |
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 |
CN112328767B (zh) * | 2020-11-11 | 2022-10-14 | 重庆邮电大学 | 基于bert模型和比较聚合框架的问答匹配方法 |
CN112328767A (zh) * | 2020-11-11 | 2021-02-05 | 重庆邮电大学 | 基于bert模型和比较聚合框架的问答匹配方法 |
CN113282702A (zh) * | 2021-03-16 | 2021-08-20 | 广东医通软件有限公司 | 一种智能检索方法及检索系统 |
CN113282702B (zh) * | 2021-03-16 | 2023-12-19 | 广东医通软件有限公司 | 一种智能检索方法及检索系统 |
CN115497455A (zh) * | 2022-11-21 | 2022-12-20 | 山东山大鸥玛软件股份有限公司 | 一种英语口语考试语音智能评测方法、系统及装置 |
CN117540727A (zh) * | 2024-01-08 | 2024-02-09 | 珠海金智维信息科技有限公司 | 基于albert模型与rpa技术的主观题评分方法及系统 |
CN117540727B (zh) * | 2024-01-08 | 2024-04-12 | 珠海金智维信息科技有限公司 | 基于albert模型与rpa技术的主观题评分方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110309503A (zh) | 一种基于深度学习bert--cnn的主观题评分模型及评分方法 | |
CN108597539B (zh) | 基于参数迁移和语谱图的语音情感识别方法 | |
CN107239446B (zh) | 一种基于神经网络与注意力机制的情报关系提取方法 | |
CN107944559B (zh) | 一种实体关系自动识别方法及系统 | |
US11113323B2 (en) | Answer selection using a compare-aggregate model with language model and condensed similarity information from latent clustering | |
CN109918491B (zh) | 一种基于知识库自学习的智能客服问句匹配方法 | |
CN110134771A (zh) | 一种基于多注意力机制融合网络问答系统的实现方法 | |
CN110298037A (zh) | 基于增强注意力机制的卷积神经网络匹配的文本识别方法 | |
CN112257449B (zh) | 命名实体识别方法、装置、计算机设备和存储介质 | |
CN111414461B (zh) | 一种融合知识库与用户建模的智能问答方法及系统 | |
CN107818164A (zh) | 一种智能问答方法及其系统 | |
CN107346340A (zh) | 一种用户意图识别方法及系统 | |
CN111223483A (zh) | 一种基于多粒度知识蒸馏的唇语识别方法 | |
CN107608999A (zh) | 一种适用于自动问答系统的问句分类方法 | |
CN110598005A (zh) | 一种面向公共安全事件的多源异构数据知识图谱构建方法 | |
CN109388700A (zh) | 一种意图识别方法及系统 | |
CN110134946A (zh) | 一种针对复杂数据的机器阅读理解方法 | |
CN110362678A (zh) | 一种自动提取中文文本关键词的方法与装置 | |
CN111897944B (zh) | 基于语义空间共享的知识图谱问答系统 | |
CN112232053B (zh) | 一种基于多关键词对匹配的文本相似度计算系统、方法、及存储介质 | |
CN113505200B (zh) | 一种结合文档关键信息的句子级中文事件检测的方法 | |
CN112990296A (zh) | 基于正交相似度蒸馏的图文匹配模型压缩与加速方法及系统 | |
CN112148832B (zh) | 一种基于标签感知的双重自注意力网络的事件检测方法 | |
CN116127095A (zh) | 一种序列模型与知识图谱结合的问答方法 | |
CN108874896A (zh) | 一种基于神经网络和幽默特征的幽默识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
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 |
Application publication date: 20191008 |
|
RJ01 | Rejection of invention patent application after publication |