CN111310458A - 一种基于多特征融合的主观题自动评分方法 - Google Patents

一种基于多特征融合的主观题自动评分方法 Download PDF

Info

Publication number
CN111310458A
CN111310458A CN202010202647.8A CN202010202647A CN111310458A CN 111310458 A CN111310458 A CN 111310458A CN 202010202647 A CN202010202647 A CN 202010202647A CN 111310458 A CN111310458 A CN 111310458A
Authority
CN
China
Prior art keywords
sim
similarity
answers
features
cnn
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.)
Granted
Application number
CN202010202647.8A
Other languages
English (en)
Other versions
CN111310458B (zh
Inventor
张展鑫
陈平华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202010202647.8A priority Critical patent/CN111310458B/zh
Publication of CN111310458A publication Critical patent/CN111310458A/zh
Application granted granted Critical
Publication of CN111310458B publication Critical patent/CN111310458B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Educational Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Machine Translation (AREA)

Abstract

本发明提供一种基于多特征融合的主观题自动评分方法，对考生答案和参考答案先进行预处理和向量化处理，然后计算两个答案的文本相似度特征、关键词相似度特征和情感相似度特征，最后对以上特征赋予一定的权重，得出具体的分数。本发明提供一种基于多特征融合的主观题自动评分方法，融合了多粒度的特征，在整体上，使用基于CNN和BiLSTM的网络以及引入注意力机制提取答案文本的特征，实现深层语义的获取；在局部上，提取了关键词特征，以捕获整体上获取不到的特征；同时也融入了情感方面的特征，进一步提高了准确率，极大地提高了实用性。

Description

一种基于多特征融合的主观题自动评分方法
技术领域
本发明涉及自然语言处理技术领域，更具体的，涉及一种基于多特征融合的主观题自动评分方法。
背景技术
如今，人工智能时代即将来临，人工智能已经渗透到了各行各业，无论是医疗行业，还是媒体行业，甚至游戏行业也充满了AI的气息，但教育行业却似乎没有跟上人工智能的浪潮似的，显得无动于衷。例如在医疗行业里，医生们可以凭借图像识别技术辅助筛选肿瘤、癌症等病状，大大减轻了医生的工作量。然而在教育行业里，老师们的工作量并没有减少多少，就比如在批改作业、试卷方面，虽然在选择题、填空题等客观题的评分可以由计算机自动评分批改，但简答题、论述题等主观题无法做到完全由计算机自动评分批改，这一方面的技术、产品并不成熟，仍处于探索阶段。
现有的主观题评分几乎都是由人工进行评分的，费时费力，无法实时反馈学生的学习成果。最相近似的实现方案：简单提取两个答案的语义，然后计算相似度，这样准确率较低，忽略了深层的语义，无法做到实用。
发明内容
本发明为克服现有的主观题自动评分方案准确率不高、忽略了深层语义和不够实用的技术缺陷，提供一种基于多特征融合的主观题自动评分方法。
为解决上述技术问题，本发明的技术方案如下：
一种基于多特征融合的主观题自动评分方法，包括以下步骤：
S1：使用中文分词工具分别对考生答案和参考答案进行分词，然后去除停用词、重复词、标点符号和特殊符号，并且让两组序列的长度一致，对应得到序列A1和序列A2；
S2：使用bert-as-service工具对A1、A2进行向量化处理，对应得到考生答案向量矩阵E1、参考答案向量矩阵E2；
S3：分别从E1、E2提取考生答案和参考答案的文本特征、关键词特征和情感特征进行相似度特征计算，对应得到文本相似度特征Sim1、关键词相似度特征Sim2、情感相似度特征Sim3；
S4：计算得出总分，完成自动评分，计算公式为：
Score＝(α*Sim1+β*Sim2+γ*Sim3)*MaxScore
其中α、β、γ为特征对应的权重，MaxScore为设置的满分值。
优选的，S1中通过在长度短的序列的末端填补字符<PAD>，从而使A1和A2长度一致。
优选的，S3中计算Sim1具体包括以下步骤：
S3.1.1：利用卷积神经网络CNN对E1进行特征提取，其输出向量Ci作为CNN提取的单词级别的特征；
S3.1.2：利用双向长短期记忆网络LSTM对E1进行特征提取，其输出向量hi作为得到LSTM层提取到的单词级别的特征；
S3.1.3：对Ci、hi引入注意力机制，最后分别得到CNN提取的句子级别的语义向量表示Scnn和LSTM提取的句子级别的语义向量表示Slstm；
Scnn的计算公式为：
vi＝tanh(WcCi+bc)
αi＝Softmax(Wαvi)
Figure BDA0002419905490000021
式中，vi是注意力输出，Wc、bc、Wα是模型参数，αi是CNN层的注意力权重；
Slstm的计算公式为：
ui＝tanh(Whhi+bh)
βi＝Softmax(Wβui)
Figure BDA0002419905490000022
式中，ui是注意力输出，Wh、bh、Wβ是模型参数，βi是LSTM层的注意力权重；
S3.1.4：将Scnn和Slstm进行拼接，得到考生答案文本的语义表示s1[Scnn，Slstm]；
S3.1.5：依照S3.1.1至S3.1.4对E2进行特征提取、引入注意力机制和拼接语义向量表示，从而得到参考答案文本的语义表示s2；
S3.1.6：在语义空间中计算s1和s2的相似度，从而判断两个答案是否语义相同。
优选的，S3.1.6中，选取余弦相似度作为评价函数，计算公式为：
Figure BDA0002419905490000031
相似度的值的大小在[0,1]之间。
优选的，S3中计算Sim2具体包括以下步骤：
S3.2.1：使用TF-IDF算法提取考生答案和参考答案的关键词，得到K1和K2-；
S3.2.2：基于《同义词词林扩展版》计算K1和K2中每两个关键词的相似度WordSim(C1，C2)，WordSim(C1，C2)在[0,1]之间，计算公式为：
Figure BDA0002419905490000032
dis(C1，C2)＝IC(C1)+IC(C2)-2IC(LCS(C1，C2))
Figure BDA0002419905490000033
式中，maxnodes表示词林里的全部节点的数量，为90114；IC(C)表示C的信息内容含量；LCS(A,B)表示的是A和B在词林中的最近公共父节点；MaxDIFF代表的是最大差异性，其值为2；MinDIFF则为最小差异性，值为0；dis(C1,C2)指的是两个词语的差异性，
S3.2.3：计算两个答案之间关键词相似度Sim2(K1，K2)，其值大小范围为[0，1]，计算公式为：
Figure BDA0002419905490000034
式中，KeyNum(K1,K2)是考生答案中含有参考答案关键词的数目。
优选的，S3.2.2中，当WordSim(C1，C2)大于0.8，那么就判定为这两个词相等。
优选的，S3中计算Sim3具体包括以下步骤：
S3.3.1：对情感词典的每个类别设置权重；
S3.3.2：遍历A(A为答案文本进行预处理后的结果)，并将A的每个词与情感词典进行匹配以查看其类别，然后累加这些情感词的权重得到情感分数；
S3.3.3：计算情感相似度，计算公式为：
Figure BDA0002419905490000041
式中，Q1为考生答案的情感分数，Q2为参考答案的情感分数。
优选的，S3.3.1中，正面词语的权重设置为1，负面词语的权重设置为-1。
优选的，S3.3.3中，情感分数的初始分数为50。
优选的，S4中，α、β、γ通过神经网络训练得出。
与现有技术相比，本发明技术方案的有益效果是：
本发明提供了一种基于多特征融合的主观题自动评分方法，融合了多粒度的特征，在整体上，提取答案文本的特征，实现深层语义的获取；在局部上，提取了关键词特征，以捕获整体上获取不到的特征；同时也融入了情感方面的特征，进一步提高了准确率，极大地提高了实用性。
附图说明
图1为本发明的技术方案实施流程示意图；
图2为本发明中步骤S3的第一细化流程示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
如图1所示，一种基于多特征融合的主观题自动评分方法，包括以下步骤：
S1：使用中文分词工具分别对考生答案和参考答案进行分词，然后去除停用词、重复词、标点符号和特殊符号，并且让两组序列的长度一致，对应得到序列A1和序列A2；
S2：使用bert-as-service工具对A1、A2进行向量化处理，对应得到考生答案向量矩阵E1、参考答案向量矩阵E2；
S2.1：安装bert-as-service工具，并下载BERT中文预训练模型；
S2.2：开启bert-as-service的服务，分别输入A1、A2到所述BERT中文预训练模型中进行向量化处理；
S2.3：分别得到考生答案向量矩阵E1、参考答案向量矩阵E2；
S3：分别从E1、E2提取考生答案和参考答案的文本特征、关键词特征和情感特征进行相似度特征计算，对应得到文本相似度特征Sim1、关键词相似度特征Sim2、情感相似度特征Sim3；
S4：计算得出总分，完成自动评分，计算公式为：
Score＝(α*Sim1+β*Sim2+γ*Sim3)*MaxScore
其中α、β、γ为特征对应的权重，MaxScore为设置的满分值。
更具体的，S1中通过在长度短的序列的末端填补字符<PAD>，从而使A1和A2长度一致。
更具体的，如图2所示，S3中计算Sim1具体包括以下步骤：
S3.1.1：利用卷积神经网络CNN对E1进行特征提取，其输出向量Ci作为CNN提取的单词级别的特征；
S3.1.2：利用双向长短期记忆网络LSTM对E1进行特征提取，其输出向量hi作为得到LSTM层提取到的单词级别的特征；
S3.1.3：对Ci、hi引入注意力机制，最后分别得到CNN提取的句子级别的语义向量表示Scnn和LSTM提取的句子级别的语义向量表示Slstm；
Scnn的计算公式为：
vi＝tanh(WcCi+bc)
αi＝softmax(Wαvi)
Figure BDA0002419905490000051
式中，vi是注意力输出，Wc、bc、Wα是模型参数，αi是CNN层的注意力权重；
Slstm的计算公式为：
ui＝tanh(Whhi+bh)
βi＝softmax(Wβui)
Figure BDA0002419905490000061
式中，ui是注意力输出，Wh、bh、Wβ是模型参数，βi是LSTM层的注意力权重；
S3.1.4：将Scnn和Slstm进行拼接，得到考生答案文本的语义表示s1[Scnn，Slstm]；
S3.1.5：依照S3.1.1至S3.1.4对E2进行特征提取、引入注意力机制和拼接语义向量表示，从而得到参考答案文本的语义表示s2；
S3.1.6：在语义空间中计算s1和s2的相似度，从而判断两个答案是否语义相同。
更具体的，S3.1.6中，选取余弦相似度作为评价函数，计算公式为：
Figure BDA0002419905490000062
相似度的值的大小在[0,1]之间。
更具体的，S3中计算Sim2具体包括以下步骤：
S3.2.1：使用TF-IDF算法提取考生答案和参考答案的关键词，得到K1和K2-；
S3.2.2：基于《同义词词林扩展版》计算K1和K2中每两个关键词的相似度WordSim(C1，C2)，WordSim(C1，C2)在[0,1]之间，计算公式为：
Figure BDA0002419905490000063
dis(C1，C2)＝IC(C1)+IC(C2)-2IC(LCS(C1，C2))
Figure BDA0002419905490000064
式中，maxnodes表示词林里的全部节点的数量，为90114；IC(C)表示C的信息内容含量；LCS(A,B)表示的是A和B在词林中的最近公共父节点；MaxDIFF代表的是最大差异性，其值为2；MinDIFF则为最小差异性，值为0；dis(C1,C2)指的是两个词语的差异性，
S3.2.3：计算两个答案之间关键词相似度Sim2(K1，K2)，其值大小范围为[0，1]，计算公式为：
Figure BDA0002419905490000071
式中，KeyNum(K1,K2)是考生答案中含有参考答案关键词的数目。
更具体的，S3.2.2中，当WordSim(C1，C2)大于0.8，那么就判定为这两个词相等。
更具体的，S3中计算Sim3具体包括以下步骤：
S3.3.1：对情感词典的每个类别设置权重；
S3.3.2：遍历A(A为答案文本进行预处理后的结果)，并将A的每个词与情感词典进行匹配以查看其类别，然后累加这些情感词的权重得到情感分数；
S3.3.3：计算情感相似度，计算公式为：
Figure BDA0002419905490000072
式中，Q1为考生答案的情感分数，Q2为参考答案的情感分数。
更具体的，S3.3.1中，正面词语的权重设置为1，负面词语的权重设置为-1。
更具体的，S3.3.3中，情感分数的初始分数为50。
更具体的，S4中，α、β、γ通过神经网络训练得出。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种基于多特征融合的主观题自动评分方法，其特征在于，包括以下步骤：
S1：使用中文分词工具分别对考生答案和参考答案进行分词，然后去除停用词、重复词、标点符号和特殊符号，并且让两组序列的长度一致，对应得到序列A1和序列A2；
S2：使用bert-as-service工具对A1、A2进行向量化处理，对应得到考生答案向量矩阵E1、参考答案向量矩阵E2；
S3：分别从E1、E2提取考生答案和参考答案的文本特征、关键词特征和情感特征进行相似度特征计算，对应得到文本相似度特征Sim1、关键词相似度特征Sim2、情感相似度特征Sim3；
S4：计算得出总分，完成自动评分，计算公式为：
Score＝(a*Sim1+β*Sim2+γ*Sim3)*MaxScore
其中α、β、γ为特征对应的权重，MaxScore为设置的满分值。
2.根据权利要求1所述的一种基于多特征融合的主观题自动评分方法，其特征在于，S1中通过在长度短的序列的末端填补字符＜PAD＞，从而使A1和A2长度一致。
3.根据权利要求1所述的一种基于多特征融合的主观题自动评分方法，其特征在于，S3中计算Sim1具体包括以下步骤：
S3.1.1：利用卷积神经网络CNN对E1进行特征提取，其输出向量Ci作为CNN提取的单词级别的特征；
S3.1.2：利用双向长短期记忆网络LSTM对E1进行特征提取，其输出向量hi作为得到LSTM层提取到的单词级别的特征；
S3.1.3：对Ci、hi引入注意力机制，最后分别得到CNN提取的句子级别的语义向量表示Scnn和LSTM提取的句子级别的语义向量表示Slstm；
Scnn的计算公式为：
vi＝tanh(WcCi+bc)
αi＝softmax(Wαvi)
Figure FDA0002419905480000011
式中，vi是注意力输出，Wc、bc、Wα是模型参数，αi是CNN层的注意力权重；
Slstm的计算公式为：
ui＝tanh(Whhi+bh)
βi＝softmax(Wβui)
Figure FDA0002419905480000021
式中，ui是注意力输出，Wh、bh、Wβ是模型参数，βi是LSTM层的注意力权重；
S3.1.4：将Scnn和Slstm进行拼接，得到考生答案文本的语义表示s1[Scnn，Slstm]；
S3.1.5：依照S3.1.1至S3.1.4对E2进行特征提取、引入注意力机制和拼接语义向量表示，从而得到参考答案文本的语义表示s2；
S3.1.6：在语义空间中计算s1和s2的相似度，从而判断两个答案是否语义相同。
4.根据权利要求3所述的一种基于多特征融合的主观题自动评分方法，其特征在于，S3.1.6中，选取余弦相似度作为评价函数，计算公式为：
Figure FDA0002419905480000022
相似度的值的大小在[0，1]之间。
5.根据权利要求1所述的一种基于多特征融合的主观题自动评分方法，其特征在于，S3中计算Sim2具体包括以下步骤：
S3.2.1：使用TF-IDF算法提取考生答案和参考答案的关键词，得到K1和K2-；
S3.2.2：基于《同义词词林扩展版》计算K1和K2中每两个关键词的相似度WordSim(C1，C2)，WordSim(C1，C2)在[0，1]之间，计算公式为：
Figure FDA0002419905480000023
dis(C1，C2)＝IC(C1)+IC(C2)-2IC(LCS(C1，C2))
Figure FDA0002419905480000031
式中，maxnodes表示词林里的全部节点的数量，为90114；IC(C)表示C的信息内容含量；LCS(A，B)表示的是A和B在词林中的最近公共父节点；MaxDIFF代表的是最大差异性，其值为2；MinDIFF则为最小差异性，值为0；dis(C1，C2)指的是两个词语的差异性，
S3.2.3：计算两个答案之间关键词相似度Sim2(K1，K2)，其值大小范围为[0，1]，计算公式为：
Figure FDA0002419905480000032
式中，KeyNum(K1，K2)是考生答案中含有参考答案关键词的数目。
6.根据权利要求5所述的一种基于多特征融合的主观题自动评分方法，其特征在于，S3.2.2中，当WordSim(C1，C2)大于0.8，那么就判定为这两个词相等。
7.根据权利要求1所述的一种基于多特征融合的主观题自动评分方法，其特征在于，S3中计算Sim3具体包括以下步骤：
S3.3.1：对情感词典的每个类别设置权重；
S3.3.2：遍历A(A为答案文本进行预处理后的结果)，并将A的每个词与情感词典进行匹配以查看其类别，然后累加这些情感词的权重得到情感分数；
S3.3.3：计算情感相似度，计算公式为：
Figure FDA0002419905480000033
式中，Q1为考生答案的情感分数，Q2为参考答案的情感分数。
8.根据权利要求7所述的一种基于多特征融合的主观题自动评分方法，其特征在于，S3.3.1中，正面词语的权重设置为1，负面词语的权重设置为-1。
9.根据权利要求7所述的一种基于多特征融合的主观题自动评分方法，其特征在于，S3.3.3中，情感分数的初始分数为50。
10.根据权利要求1所述的一种基于多特征融合的主观题自动评分方法，其特征在于，S4中，α、β、γ通过神经网络训练得出。
CN202010202647.8A 2020-03-20 2020-03-20 一种基于多特征融合的主观题自动评分方法 Active CN111310458B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010202647.8A CN111310458B (zh) 2020-03-20 2020-03-20 一种基于多特征融合的主观题自动评分方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010202647.8A CN111310458B (zh) 2020-03-20 2020-03-20 一种基于多特征融合的主观题自动评分方法

Publications (2)

Publication Number Publication Date
CN111310458A true CN111310458A (zh) 2020-06-19
CN111310458B CN111310458B (zh) 2023-04-07

Family

ID=71147249

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010202647.8A Active CN111310458B (zh) 2020-03-20 2020-03-20 一种基于多特征融合的主观题自动评分方法

Country Status (1)

Country Link
CN (1) CN111310458B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112380850A (zh) * 2020-11-30 2021-02-19 沈阳东软智能医疗科技研究院有限公司 错别字识别方法、装置、介质及电子设备
CN112633008A (zh) * 2020-12-28 2021-04-09 中国石油大学(华东) 基于多特征注意力的卷积神经网络句子相似度计算方法
CN113011196A (zh) * 2021-04-28 2021-06-22 广西师范大学 一种概念增强表示与单向蕴含注意力的主观题自动阅卷神经网络模型
CN113392986A (zh) * 2021-02-01 2021-09-14 重庆交通大学 一种基于大数据的公路桥梁信息抽取方法及管理养护系统
CN113392187A (zh) * 2021-06-17 2021-09-14 上海出版印刷高等专科学校 一种针对主观题的自动评分及纠错推荐方法
CN113515602A (zh) * 2021-04-16 2021-10-19 平安科技（深圳）有限公司 问答对评分方法、装置、设备及存储介质
CN113627193A (zh) * 2021-08-12 2021-11-09 达而观信息科技（上海）有限公司 中文文本中指代关系的确定方法、装置、设备及介质
CN113627722A (zh) * 2021-07-02 2021-11-09 湖北美和易思教育科技有限公司 基于关键字分词的简答题评分方法、终端及可读存储介质
CN113934814A (zh) * 2021-08-01 2022-01-14 北京工业大学 古诗文主观题自动评分方法
CN114780677A (zh) * 2022-04-06 2022-07-22 西安电子科技大学 基于特征融合的中文事件抽取方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110175585A (zh) * 2019-05-30 2019-08-27 北京林业大学 一种简答题自动批改系统及方法
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
CN110413741A (zh) * 2019-08-07 2019-11-05 山东山大鸥玛软件股份有限公司 一种面向主观题的智能阅卷方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN110175585A (zh) * 2019-05-30 2019-08-27 北京林业大学 一种简答题自动批改系统及方法
CN110413741A (zh) * 2019-08-07 2019-11-05 山东山大鸥玛软件股份有限公司 一种面向主观题的智能阅卷方法

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112380850A (zh) * 2020-11-30 2021-02-19 沈阳东软智能医疗科技研究院有限公司 错别字识别方法、装置、介质及电子设备
CN112633008A (zh) * 2020-12-28 2021-04-09 中国石油大学(华东) 基于多特征注意力的卷积神经网络句子相似度计算方法
CN113392986A (zh) * 2021-02-01 2021-09-14 重庆交通大学 一种基于大数据的公路桥梁信息抽取方法及管理养护系统
CN113515602A (zh) * 2021-04-16 2021-10-19 平安科技（深圳）有限公司 问答对评分方法、装置、设备及存储介质
CN113011196B (zh) * 2021-04-28 2023-01-10 陕西文都教育科技有限公司 一种概念增强表示与单向蕴含注意力的主观题自动阅卷神经网络模型
CN113011196A (zh) * 2021-04-28 2021-06-22 广西师范大学 一种概念增强表示与单向蕴含注意力的主观题自动阅卷神经网络模型
CN113392187A (zh) * 2021-06-17 2021-09-14 上海出版印刷高等专科学校 一种针对主观题的自动评分及纠错推荐方法
CN113627722A (zh) * 2021-07-02 2021-11-09 湖北美和易思教育科技有限公司 基于关键字分词的简答题评分方法、终端及可读存储介质
CN113627722B (zh) * 2021-07-02 2024-04-02 湖北美和易思教育科技有限公司 基于关键字分词的简答题评分方法、终端及可读存储介质
CN113934814A (zh) * 2021-08-01 2022-01-14 北京工业大学 古诗文主观题自动评分方法
CN113934814B (zh) * 2021-08-01 2024-05-28 北京工业大学 古诗文主观题自动评分方法
CN113627193A (zh) * 2021-08-12 2021-11-09 达而观信息科技（上海）有限公司 中文文本中指代关系的确定方法、装置、设备及介质
CN113627193B (zh) * 2021-08-12 2024-03-29 达观数据有限公司 中文文本中指代关系的确定方法、装置、设备及介质
CN114780677A (zh) * 2022-04-06 2022-07-22 西安电子科技大学 基于特征融合的中文事件抽取方法

Also Published As

Publication number Publication date
CN111310458B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN111310458B (zh) 一种基于多特征融合的主观题自动评分方法
CN110442760B (zh) 一种问答检索系统的同义词挖掘方法及装置
CN111310474A (zh) 基于激活-池化增强bert模型的在线课程评论情感分析方法
CN103324621B (zh) 一种泰语文本拼写纠正方法及装置
CN107688630B (zh) 一种基于语义的弱监督微博多情感词典扩充方法
CN110276069A (zh) 一种中国盲文错误自动检测方法、系统及存储介质
CN108388554A (zh) 基于协同过滤注意力机制的文本情感识别系统
CN110489554B (zh) 基于位置感知互注意力网络模型的属性级情感分类方法
Kedia et al. indicnlp@ kgp at DravidianLangTech-EACL2021: Offensive language identification in Dravidian languages
CN108874896A (zh) 一种基于神经网络和幽默特征的幽默识别方法
CN114528919A (zh) 自然语言处理方法、装置及计算机设备
CN113094502A (zh) 一种多粒度外卖用户评论情感分析方法
CN112905736A (zh) 一种基于量子理论的无监督文本情感分析方法
CN110738052A (zh) 一种基于特征字的半监督中医命名实体获取方法
CN116842168B (zh) 跨领域问题处理方法、装置、电子设备及存储介质
CN112632970A (zh) 结合学科同义词与词向量的相似度评分算法
Wang et al. Automatic Detection of Off-Topic Spoken Responses Using Very Deep Convolutional Neural Networks.
Rani Automated explanatory answer evaluation using machine learning approach
Sharma et al. Full-page handwriting recognition and automated essay scoring for in-the-wild essays
Khosrobeigi et al. A rule-based post-processing approach to improve Persian OCR performance
BE1022627B1 (nl) Methode en apparaat voor het automatisch genereren van feedback
CN116662819A (zh) 一种面向短文本的匹配方法及系统
CN112085985B (zh) 一种面向英语考试翻译题目的学生答案自动评分方法
Lin et al. Design and implementation of intelligent scoring system for handwritten short answer based on deep learning
CN113919339A (zh) 人工智能辅助写作方法

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
GR01 Patent grant
GR01 Patent grant