CN111680480A - 基于模板的作业批改方法、装置、计算机设备及存储介质 - Google Patents

基于模板的作业批改方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN111680480A
CN111680480A CN202010333541.1A CN202010333541A CN111680480A CN 111680480 A CN111680480 A CN 111680480A CN 202010333541 A CN202010333541 A CN 202010333541A CN 111680480 A CN111680480 A CN 111680480A
Authority
CN
China
Prior art keywords
template
answer
information
target
question
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
Application number
CN202010333541.1A
Other languages
English (en)
Inventor
罗林锋
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.)
Shenzhen Saiante Technology Service Co Ltd
Original Assignee
Ping An International Smart City Technology Co Ltd
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 Ping An International Smart City Technology Co Ltd filed Critical Ping An International Smart City Technology Co Ltd
Priority to CN202010333541.1A priority Critical patent/CN111680480A/zh
Publication of CN111680480A publication Critical patent/CN111680480A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/166—Editing, e.g. inserting or deleting
    • G06F40/186—Templates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B19/00—Teaching not covered by other main groups of this subclass

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及区块链技术，应用于智慧教育领域中，提供了一种基于模板的作业批改方法、装置、计算机设备及存储介质，所述基于模板的作业批改方法包括：从作业数据库中获取题目信息和答案信息；根据题目类型标识选取初始答题模板，并基于初始答题模板和题目信息生成目标答题模板；将目标答题模板发送给答题用户进行答题，并基于预设时间间隔获取答题用户反馈的目标答案图像；将答案信息填充至目标答题模板中，生成校验模板；将校验模板与目标答案图像一并输入到预先训练好的作业批改模型中进行批改处理，输出批改结果。本发明提高作业批改的准确性及效率。其中，所述题目信息和答案信息可存储于区块链中。

Description

基于模板的作业批改方法、装置、计算机设备及存储介质
技术领域
本发明涉及区块链技术，应用于智慧教育领域中，尤其涉及一种基于模板的作业批改方法、装置、计算机设备及存储介质。
背景技术
目前，针对作业批改系统采用的基本都是两阶段基于深度学习的文本检测及OCR文本识别方法来实现对作业的智能批改，但文本检测和OCR文本识别方法均存在准确性不足问题，导致文本检测及OCR文本识别结合后的准确性偏低，进一步影响作业批改的准确性，例如，若文本检测有误，则将导致作业答案提取不准确，影响后续根据作业答案进行作业批改的准确性。
发明内容
本发明实施例提供一种基于模板的作业批改方法、装置、计算机设备及存储介质，以解决传统作业批改方法准确性不高，影响作业批改准确性的问题。
一种基于模板的作业批改方法，包括：
从作业数据库中获取题目信息和答案信息，其中，所述题目信息包含题目序号和题目类型标识；
根据所述题目类型标识选取初始答题模板，并基于所述初始答题模板和所述题目信息生成目标答题模板；
将所述目标答题模板发送给答题用户进行答题，并基于预设时间间隔获取所述答题用户反馈的目标答案图像；
将所述答案信息填充至所述目标答题模板中，生成校验模板；
将所述校验模板与所述目标答案图像一并输入到预先训练好的作业批改模型中进行批改处理，输出批改结果。
一种基于模板的作业批改装置，包括：
第一获取模块，用于从作业数据库中获取题目信息和答案信息，其中，所述题目信息包含题目序号和题目类型标识；
第一生成模块，用于根据所述题目类型标识选取初始答题模板，并基于所述初始答题模板和所述题目信息生成目标答题模板；
第二获取模块，用于将所述目标答题模板发送给答题用户进行答题，并基于预设时间间隔获取所述答题用户反馈的目标答案图像；
第二生成模块，用于将所述答案信息填充至所述目标答题模板中，生成校验模板；
批改模块，用于将所述校验模板与所述目标答案图像一并输入到预先训练好的作业批改模型中进行批改处理，输出批改结果。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于模板的作业批改方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于模板的作业批改方法的步骤。
上述基于模板的作业批改方法、装置、计算机设备及存储介质，根据获取到的题目类型标识选取初始答题模板，并基于初始答题模板和题目信息生成目标答题模板，获取答题用户根据目标答题模板进行答题后反馈的目标答案图像，将答案信息填充至目标答题模板中生成校验模板，最后将校验模板与目标答案图像一并输入到预先训练好的作业批改模型中进行批改处理，输出批改结果。通过设定目标答题模板的方式，能够保证准确获取目标答案区域，避免直接从图像中识别答案存在答案区域识别不准确的情况，从而提高后续基于答案区域进行作业批改的准确性，最后根据作业批改模型进行作业批改的方式，能够避免人工干预，进一步提高作业批改的准确性及效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于模板的作业批改方法的流程图；
图2是本发明实施例提供的基于模板的作业批改方法中步骤S2的流程图；
图3是本发明实施例提供的基于模板的作业批改方法中训练作业批改模型的流程图；
图4是本发明实施例提供的基于模板的作业批改方法中步骤S7的流程图；
图5是本发明实施例提供的基于模板的作业批改装置的示意图；
图6是本发明实施例提供的计算机设备的基本机构框图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本方案可应用于智慧教育领域中，从而推动智慧城市的建设。本申请提供的基于模板的作业批改方法应用于服务端，服务端具体可以用独立的服务器或者多个服务器组成的服务器集群实现。在一实施例中，如图1所示，提供一种基于模板的作业批改方法，包括如下步骤：
S1：从作业数据库中获取题目信息和答案信息，其中，题目信息包含题目序号和题目类型标识。
在本发明实施例中，题目类型具体可以是指选择题，判断题或者填空题等用户设定的题型，且每种题目类型都有其对应的题目类型标识，题目类型标识具体可以根据用户的实际需求进行设定，例如：选择题对应的题目类型标识为选择。
具体地，通过直接从作业数据库中获取题目信息及答案信息。其中，作业数据库是指专门用于存储题目信息和答案信息的数据库，且每个题目信息都有其对应的答案信息，即每个题目信息与答案信息之间存在映射关系。
S2：根据题目类型标识选取初始答题模板，并基于初始答题模板和题目信息生成目标答题模板。
在本发明实施例中，根据预设选取方式，选取与题目类型标识对应的初始答题模板，并将题目信息按照预设填充方式填充至初始答题模板中，得到填充处理后的初始答题模板作为目标答题模板。
其中，预设选取方式具体可以是指通过将题目类型标识与预先设定的描述信息进行匹配，选取匹配成功的初始答题模板。
预设填充方式是指根据用户实际需求进行设定的方式，例如，将题目信息填充至初始答题模板中指定的位置信息。
S3：将目标答题模板发送给答题用户进行答题，并基于预设时间间隔获取答题用户反馈的目标答案图像。
在本发明实施例中，将目标答题模板发送给答题用户进行答题，当目标用户接收到目标答题模板后，通过在目标答题模板中进行答题，并在答题时间结束后将答题结果发送给目标端，即目标端在经过预设时间间隔后获取答题用户发送的答题结果，将该答题结果作为目标答案图像。
其中，预设时间间隔是指根据用户实际需求设定的答题时间间隔，其具体可以是2小时，此处不做限制。
S4：将答案信息填充至目标答题模板中，生成校验模板。
在本发明实施例中，由于目标答题模板中包含每个题目的答案区域对应的答题位置，每个题目信息与答案信息之间存在映射关系，故根据每个题目对应在目标答题模板中的答题位置，将答案信息填充至与其存在映射关系的题目信息在目标答题模板中的答题位置中，在所有答案信息填充完成后，将目标答题模板确定为校验模板。
S5：将校验模板与目标答案图像一并输入到预先训练好的作业批改模型中进行批改处理，输出批改结果。
具体地，将校验模板与目标答案图像一并输入到预先训练好的作业批改模型，当作业批改模型检测到校验模板与目标答案图像时，将根据预先训练好的逻辑，根据目标答案图像对校验模板进行批改处理，并输出批改结果。
本实施例中，根据获取到的题目类型标识选取初始答题模板，并基于初始答题模板和题目信息生成目标答题模板，获取答题用户根据目标答题模板进行答题后反馈的目标答案图像，将答案信息填充至目标答题模板中生成校验模板，最后将校验模板与目标答案图像一并输入到预先训练好的作业批改模型中进行批改处理，输出批改结果。通过设定目标答题模板的方式，能够保证准确获取目标答案区域，避免直接从图像中识别答案存在答案区域识别不准确的情况，从而提高后续基于答案区域进行作业批改的准确性，最后根据作业批改模型进行作业批改的方式，能够避免人工干预，进一步提高作业批改的准确性及效率。
需要强调的是，为进一步保证上述题目信息和答案信息的私密和安全性，上述题目信息和答案信息还可以存储于一区块链的节点中。
在一实施例中，如图2所示，步骤S2中，即根据题目类型标识选取初始答题模板，并基于初始答题模板和题目信息生成目标答题模板包括如下步骤：
S21：将题目类型标识与预设模板库中的描述信息进行匹配，其中，预设模板库包含不同的描述信息及每个描述信息对应的合法模板。
需要说明的是，由于题目信息中可能包含多种题目类型，故题目信息包含的题目类型标识可能为多个。
在本发明实施例中，通过对获取到的所有题目信息对应的题目类型标识进行识别，获取所有题目信息中包含不同题目类型的n个题目类型标识，将该n个题目类型标识按照预设组合规则生成一个新的题目类型标识，并将该新的题目类型标识与预设模板库中的描述信息进行匹配。
其中，n为大于等于1的正整数，即当n为1时，表示所有题目信息中只包含一种题目类型，当n为2时，表示所有题目信息中包含两种题目类型。
预设组合规则是指根据用户的实际需求设定用于合成多个题目类型标识的规则，例如，其具体可以是对n的个数进行检测，若检测到n为1，则不做处理，若n的值大于1，则将n个题目类型标识根据预设组合规则进行合成一个新的题目类型标识，例如，当存在题目类型标识为选择和判断，将这2个题目类型标识根据预设组合规则进行合成后得到新的题目类型标识为选择判断。
S22：若题目类型标识与描述信息相同，则获取描述信息对应的合法模板作为初始答题模板。
在本发明实施例中，根据步骤S21的匹配方式，若题目类型标识与描述信息相同，表示匹配成功，并从预设模板库中选取该描述信息对应的合法模板作为初始答题模板。
S23：若题目类型标识与描述信息不同，则将题目信息发送给目标用户进行确认，并获取目标用户反馈的反馈模板作为初始答题模板。
在本发明实施例中，根据步骤S21的匹配方式，若题目类型标识与描述信息不相同，则将题目信息按照预设发送方式发送给目标用户进行确认，当目标用户接收到题目信息后，将根据实际情况重新制定新的模板，并将该模板反馈给服务端，若服务端检测到目标用户反馈的模板，则直接将该模板确定为初始答题模板。
需要说明的是，目标用户是指专门针对题目类型标识与描述信息不相同情况下进行制定模板的审核用户。
预设发送方式具体可以是指邮件方式，也可以根据用户的实际需求进行设定，此处不做限制。
S24：根据题目序号，将题目信息填充至初始答题模板，得到目标答题模板。
具体地，获取所有题目信息包含的题目序号，按照题目序号先后顺序确定题目类型的先后顺序，并根据题目类型的先后顺序确定初始答题模板中的题目类型的排版顺序，即确定初始答题模板中的题目类型区域，最后将每个题目按照题目序号填充至排版顺序确定好的初始答题模板中，在所有题目填充完成后，将该初始答题模板作为目标答题模板。
例如，存在5道题目分别为题目a、题目b、题目c、题目d和题目e，题目序号分别为1、2、3、4和5，其对应的题目类型分别为选择、选择、判断、判断和填空，根据题目序号确定的题目类型先后顺序分别为选择、判断和填空，故初始答题模板中的题目类型的排版顺序分别为选择、判断和填空，若选择类型的区域为A、判断类型的区域为B，填空类型的区域为C，则将题目a和题目b填充至初始答题模板中的选择类型区域A，将题目c和题目d填充至初始答题模板中的判断类型区域B，将题目e填充至初始答题模板中的填空类型区域C。
需要说明的是，填充后的目标答题模板为json文件，且该json文件是一个key-value形式的数据结构。另外，目标答题模板中包含每个题目的答案区域对应的答题位置。
本实施例中，通过将题目类型标识与预设模板库中的描述信息进行匹配，若题目类型标识与描述信息相同，则获取描述信息对应的合法模板作为初始答题模板，若题目类型标识与描述信息不同，则将题目信息发送给目标用户进行确认，并获取目标用户反馈的初始答题模板，最后将题目信息填充至初始答题模板中得到目标答题模板。通过利用题目类型标识与描述信息进行匹配的方式，能够准确提取符合题目类型标识的初始答题模板，且在匹配不同的情况下，基于人工干预确定初始答题模板，从而保证初始答题模板的准确性，进一步保证目标答题模板获取的准确性。
在一实施例中，步骤S23之后，该基于模板的作业批改方法还包括如下步骤：
将题目类型标识作为描述信息，将反馈模板作为合法模板，建立题目类型标识与反馈模板之间的映射关系，并更新至预设模板库中。
具体地，当检测步骤S23目标用户反馈的反馈模板时，则将题目类型标识作为描述信息，将反馈模板作为合法模板，建立题目类型标识与反馈模板之间的映射关系，并将该映射关系更新至预设模板库中。
例如，若反馈模板为A，题目类型标识为“选择判断”，当检测到目标用户反馈的反馈模板A时，将反馈模板A与“选择判断”建立唯一对应的映射关系，并将该映射关系添加到预设模板库中；若匹配到“选择判断”，则可以获取到反馈模板A。
本实施例中，当检测到目标用户反馈的反馈模板时，建立题目类型标识与反馈模板之间的映射关系，并将该映射关系更新至预设模板库中。在获取到反馈模板的情况下，通过建立映射关系的方式，能够保证该反馈模板对应题目类型标识，再将该映射关系添加至预设模板库中，能够扩大预设模板库的匹配范围，提高后续基于预设模板库获取初始答题模板的效率。
在一实施例中，如图3所示，步骤S5之前，该基于模板的作业批改方法还包括如下步骤：
S6：从预设样本库中获取训练样本。
具体地，通过从预设样本库中直接获取训练样本。其中，预设样本库是指专门用于存储训练样本的数据库。
S7：将训练样本导入到神经网络模型中进行训练，得到训练好的作业批改模型。
在本发明实施例中，神经网络模型包含预先设置好的4个网络，其分别位：空间变换网络(Spatial Transformer Network，NET)、特征提取网络、双向长短期记忆网络(LongShort-Term Memory，LSTM)和CTC解码网络。
具体地，通过将训练样本导入到神经网络模型中，根据预先设置好的4个网络对训练样本进行训练，得到训练好的神经网络模型作为作业批改模型。
本实施例中，通过获取训练样本，并利用训练样本对神经网络模型进行训练，获取训练的作业批改模型。通过训练获取作业批改模型，有利于后续利用作业批改模型进行作业批改，从而避免人工干预，进一步提高作业批改的准确性及效率。
在一实施例中，如图4所示，步骤S7中，即将训练样本导入到神经网络模型中进行训练，得到训练好的作业批改模型包含如下步骤：
S71：将训练样本导入到STN网络中进行图像矫正处理，得到矫正图像。
在本发明实施例中，STN网络由参数预测层,坐标映射层和像素采集层组成，且参数预测层包含用于进行仿射变换处理的仿射变换函数、坐标映射层包含用于矩阵运算的矩阵函数，像素采集层包含用于像素填充的像素填充函数。
具体地，将训练样本输入到STN网络中，当参数预测层检测到训练样本时，将根据仿射变换函数对训练样本进行仿射变换处理，得到变化参数，再将变化参数导入到坐标映射层进行矩阵运算，输出坐标系数，最后根据坐标系数，通过像素采集层进行像素填充，得到矫正图像。
S72：利用预设特征提取网络对矫正图像进行特征提取，获取序列化特征。
在本发明实施例中，利用预设特征提取网络对矫正图像进行特征提取，得到特征提取后的序列化特征。其中，预设特征提取网络是指专门用于提取序列化特征的特征提取网络，其具体是指特征提取网络Resnet50。
需要说明的是，Resnet50特征提取输入是STN输出的矫正图像feature map，输出是一个序列化特征，如：sequence feature map V＝{vi}，i＝1…..I(I＝256)，其中，I是维度信息。下面是Resnet50的组成结构，主要完成特征提取操作。ResNet50是由大量的bottleNeck block组成的，然后根据shortcut分支上有无卷积操作分为identityBlock，convBlock。ResNet50的四个block分布情况：
3一个convBlock+两个identityBlock(convBlock的strides＝1)；
4一个convBlock+三个identityBlock(convBlock的strides＝2)；
6一个convBlock+五个identityBlock(convBlock的strides＝2)；
3一个convBlock+两个个identityBlock(convBlock的strides＝2)。
S73：将序列化特征输出到双向LSTM网络中进行预测处理，得到预测字符串。
在本发明实施例中，将序列化特征依次导入到双向LSTM网络中的输入门、遗忘门、输出门和softmax进行卷积操作，最后将卷积结果进行输出，即输出预测字符串。
需要说明的是，输入门、遗忘门、输出门和softmax都有预先设置好的卷积核，通过将输入数据导入到每一层中能够根据预先设置好的卷积核进行卷积操作，得到对应的输出结果。
S74：基于CTC解码网络对预测字符串进行解码处理，输出预测结果。
在本发明实施例中，通过直接利用CTC解码网络对预测字符串进行解码处理，输出解码处理后的预测结果。
需要说明的是，CTC解码网络是指专门用于对预测字符串进行解码处理，将预测字符串转换成对应的目标字符，即转换成预测结果的处理网络。
S75：将预测结果与预设目标结果进行余弦相似度计算，并根据计算结果与损失函数确定作业批改模型。
在本发明实施例中，从预设分量库中获取预测结果的i个分量和预设目标结果的i个分量，并按照公式(1)计算预测结果与预设目标结果之间的余弦相似度，得到计算结果。
Figure BDA0002465802920000121
其中，cosθ为余弦相似度，Ai为预测结果的第i个分量，Bi为预设目标结果的第i个分量，i为大于1的正整数。
余弦相似度可以看做是模型预测出预测结果和预设目标结果匹配的概率，当模型预测出的概率达到预先设定值时，表示预测结果和预设目标结果匹配，当模型预测出的概率未达到预先设定值时，表示预测结果和预设目标结果不匹配。
进一步，根据计算结果按照公式(2)计算交叉熵损失函数结果，若交叉熵损失函数结果达到预设阈值或者训练过程达到预先设定的训练轮次，则停止训练，并将该交叉熵损失函数结果对应的神经网络模型确定为作业批改模型。其中，预设阈值是指根据用户实际需求设定的值。
Figure BDA0002465802920000122
其中，H(p,q)为交叉熵损失函数结果；x为0或1，0表示预测结果和预设目标结果不匹配，1表示预测结果和预设目标结果匹配；p(x)表示x对应的状态实际是否发生，若发生则p(x)＝1，否则为0；q(x)表示对应的x状态下模型预测出的概率值。
本实施例中，通过将训练样本导入到STN网络中进行图像矫正以获取矫正图像，再利用预设特征提取网络对矫正图像进行特征提取，获取序列化特征，利用双向LSTM网络对序列化特征进行预测处理，得到预测字符串，基于CTC解码网络对预测字符串进行解码处理，得到预测结果，最后根据预测结果与预设目标结果进行余弦相似度计算，并根据计算结果与损失函数确定作业批改模型。基于STN网络、预设特征提取网络、双向LSTM网络、CTC解码网络能够快速准确地对训练样本进行一系列处理，保证预测结果的准确性，进一步提高作业批改模型训练的准确性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一实施例中，提供一种基于模板的作业批改装置，该基于模板的作业批改装置与上述实施例中基于模板的作业批改方法一一对应。如图5所示，该装置包括第一获取模块51，第一生成模块52，第二获取模块53，第二生成模块54和修改模块55。各功能模块详细说明如下：
第一获取模块51，用于从作业数据库中获取题目信息和答案信息，其中，题目信息包含题目序号和题目类型标识；
第一生成模块52，用于根据题目类型标识选取初始答题模板，并基于初始答题模板和题目信息生成目标答题模板；
第二获取模块53，用于将目标答题模板发送给答题用户进行答题，并基于预设时间间隔获取答题用户反馈的目标答案图像；
第二生成模块54，用于将答案信息填充至目标答题模板中，生成校验模板；
批改模块55，用于将校验模板与目标答案图像一并输入到预先训练好的作业批改模型中进行批改处理，输出批改结果。
需要强调的是，为进一步保证上述题目信息和答案信息的私密和安全性，上述题目信息和答案信息还可以存储于一区块链的节点中。
进一步地，第一生成模块52包括：
匹配子模块，用于将题目类型标识与预设模板库中的描述信息进行匹配，其中，预设模板库包含不同的描述信息及每个描述信息对应的合法模板；
匹配相同模块，用于若题目类型标识与描述信息相同，则获取描述信息对应的合法模板作为初始答题模板；
匹配不同模块，用于若题目类型标识与描述信息不同，则将题目信息发送给目标用户进行确认，并获取目标用户反馈的反馈模板作为初始答题模板；
填充模块，用于根据题目序号，将题目信息填充至初始答题模板，得到目标答题模板。
进一步地，基于模板的作业批改装置还包括：
建立模块，用于将题目类型标识作为描述信息，将反馈模板作为合法模板，建立题目类型标识与反馈模板之间的映射关系，并更新至预设模板库中。
进一步地，基于模板的作业批改装置还包括：
第三获取模块。用于从预设样本库中获取训练样本；
训练模块，用于将训练样本导入到神经网络模型中进行训练，得到训练好的作业批改模型。
进一步地，训练模块包括：
导入子模块，用于将训练样本导入到STN网络中进行图像矫正处理，得到矫正图像；
特征提取子模块，用于利用预设特征提取网络对矫正图像进行特征提取，获取序列化特征；
预测子模块，用于将序列化特征输出到双向LSTM网络中进行预测处理，得到预测字符串；
解码子模块，用于基于CTC解码网络对预测字符串进行解码处理，输出预测结果；
确定子模块，用于将预测结果与预设目标结果进行余弦相似度计算，并根据计算结果与损失函数确定作业批改模型。
本申请的一些实施例公开了计算机设备。具体请参阅图6，为本申请的一实施例中计算机设备90基本结构框图。
如图6中所示意的，所述计算机设备90包括通过系统总线相互通信连接存储器91、处理器92、网络接口93。需要指出的是，图6中仅示出了具有组件91-93的计算机设备90，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。
所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
所述存储器91至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器91可以是所述计算机设备90的内部存储单元，例如该计算机设备90的硬盘或内存。在另一些实施例中，所述存储器91也可以是所述计算机设备90的外部存储设备，例如该计算机设备90上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器91还可以既包括所述计算机设备90的内部存储单元也包括其外部存储设备。本实施例中，所述存储器91通常用于存储安装于所述计算机设备90的操作系统和各类应用软件，例如所述基于模板的作业批改方法的程序代码等。此外，所述存储器91还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器92在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器92通常用于控制所述计算机设备90的总体操作。本实施例中，所述处理器92用于运行所述存储器91中存储的程序代码或者处理数据，例如运行所述基于模板的作业批改方法的程序代码。
所述网络接口93可包括无线网络接口或有线网络接口，该网络接口93通常用于在所述计算机设备90与其他电子设备之间建立通信连接。
本申请还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有题目信息录入程序，所述题目信息录入程序可被至少一个处理器执行，以使所述至少一个处理器执行上述任意一种基于模板的作业批改方法的步骤。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请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，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台计算机设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所述的方法。
进一步地，所述计算机可用存储介质可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据区块链节点的使用所创建的数据等。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
最后应说明的是，显然以上所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例，附图中给出了本申请的较佳实施例，但并不限制本申请的专利范围。本申请可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本申请的公开内容的理解更加透彻全面。尽管参照前述实施例对本申请进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本申请说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本申请专利保护范围之内。

Claims (10)

1.一种基于模板的作业批改方法，其特征在于，所述基于模板的作业批改方法包括：
从作业数据库中获取题目信息和答案信息，其中，所述题目信息包含题目序号和题目类型标识；
根据所述题目类型标识选取初始答题模板，并基于所述初始答题模板和所述题目信息生成目标答题模板；
将所述目标答题模板发送给答题用户进行答题，并基于预设时间间隔获取所述答题用户反馈的目标答案图像；
将所述答案信息填充至所述目标答题模板中，生成校验模板；
将所述校验模板与所述目标答案图像一并输入到预先训练好的作业批改模型中进行批改处理，输出批改结果。
2.如权利要求1所述的基于模板的作业批改方法，其特征在于，所述根据所述题目类型标识选取初始答题模板，并基于所述初始答题模板和所述题目信息生成目标答题模板的步骤包括：
将所述题目类型标识与预设模板库中的描述信息进行匹配，其中，预设模板库包含不同的所述描述信息及每个所述描述信息对应的合法模板；
若所述题目类型标识与所述描述信息相同，则获取所述描述信息对应的合法模板作为所述初始答题模板；
若所述题目类型标识与所述描述信息不同，则将所述题目信息发送给目标用户进行确认，并获取所述目标用户反馈的反馈模板作为所述初始答题模板；
根据所述题目序号，将所述题目信息填充至所述初始答题模板，得到所述目标答题模板。
3.如权利要求2所述的基于模板的作业批改方法，其特征在于，所述若所述题目类型标识与所述描述信息不同，则将所述题目信息发送给目标用户进行确认，并获取所述目标用户反馈的反馈模板作为所述初始答题模板之后，所述基于模板的作业批改方法还包括：
将所述题目类型标识作为所述描述信息，将所述反馈模板作为所述合法模板，建立所述题目类型标识与所述反馈模板之间的映射关系，并更新至预设模板库中。
4.如权利要求1所述的基于模板的作业批改方法，其特征在于，所述将所述校验模板与所述目标答案图像一并输入到预先训练好的作业批改模型中进行批改处理，输出批改结果之前，所述基于模板的作业批改方法还包括：
从预设样本库中获取训练样本；
将训练样本导入到神经网络模型中进行训练，得到训练好的所述作业批改模型。
5.如权利要求1所述的基于模板的作业批改方法，其特征在于，所述将训练样本导入到神经网络模型中进行训练，得到训练好的所述作业批改模型的步骤包括：
将所述训练样本导入到STN网络中进行图像矫正处理，得到矫正图像；
利用预设特征提取网络对所述矫正图像进行特征提取，获取序列化特征；
将所述序列化特征输出到双向LSTM网络中进行预测处理，得到预测字符串；
基于CTC解码网络对所述预测字符串进行解码处理，输出预测结果；
将所述预测结果与预设目标结果进行余弦相似度计算，并根据计算结果与损失函数确定所述作业批改模型。
6.一种基于模板的作业批改装置，其特征在于，所述基于模板的作业批改装置包括：
第一获取模块，用于从作业数据库中获取题目信息和答案信息，其中，所述题目信息包含题目序号和题目类型标识；
第一生成模块，用于根据所述题目类型标识选取初始答题模板，并基于所述初始答题模板和所述题目信息生成目标答题模板；
第二获取模块，用于将所述目标答题模板发送给答题用户进行答题，并基于预设时间间隔获取所述答题用户反馈的目标答案图像；
第二生成模块，用于将所述答案信息填充至所述目标答题模板中，生成校验模板；
批改模块，用于将所述校验模板与所述目标答案图像一并输入到预先训练好的作业批改模型中进行批改处理，输出批改结果。
7.如权利要求6所述的基于模板的作业批改装置，其特征在于，所述第一生成模块包括：
匹配子模块，用于将所述题目类型标识与预设模板库中的描述信息进行匹配，其中，预设模板库包含不同的所述描述信息及每个所述描述信息对应的合法模板；
匹配相同模块，用于若所述题目类型标识与所述描述信息相同，则获取所述描述信息对应的合法模板作为所述初始答题模板；
匹配不同模块，用于若所述题目类型标识与所述描述信息不同，则将所述题目信息发送给目标用户进行确认，并获取所述目标用户反馈的反馈模板作为所述初始答题模板；
填充模块，用于根据所述题目序号，将所述题目信息填充至所述初始答题模板，得到所述目标答题模板。
8.如权利要求6所述的基于模板的作业批改装置，其特征在于，所述基于模板的作业批改装置还包括：
第三获取模块，用于从预设样本库中获取训练样本；
训练模块，用于将训练样本导入到神经网络模型中进行训练，得到训练好的所述作业批改模型。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述基于模板的作业批改方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述基于模板的作业批改方法的步骤。
CN202010333541.1A 2020-04-24 2020-04-24 基于模板的作业批改方法、装置、计算机设备及存储介质 Pending CN111680480A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010333541.1A CN111680480A (zh) 2020-04-24 2020-04-24 基于模板的作业批改方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010333541.1A CN111680480A (zh) 2020-04-24 2020-04-24 基于模板的作业批改方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN111680480A true CN111680480A (zh) 2020-09-18

Family

ID=72433833

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010333541.1A Pending CN111680480A (zh) 2020-04-24 2020-04-24 基于模板的作业批改方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN111680480A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112201116A (zh) * 2020-09-29 2021-01-08 深圳市优必选科技股份有限公司 一种逻辑板识别方法、装置及终端设备
CN112668300A (zh) * 2021-01-28 2021-04-16 武汉悦学帮网络技术有限公司 一种公式编辑方法、装置、计算机设备和存储介质
CN112949262A (zh) * 2021-02-09 2021-06-11 中广核工程有限公司 评审单处理方法、装置、计算机设备和存储介质
CN113076944A (zh) * 2021-03-11 2021-07-06 国家电网有限公司 一种基于人工智能的单据检测识别方法
CN113705157A (zh) * 2020-09-24 2021-11-26 广东昭阳信息技术有限公司 一种纸质作业拍照批改的方法
CN113793112A (zh) * 2021-07-29 2021-12-14 深圳点猫科技有限公司 一种编程作业自动批改方法、系统及介质

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113705157A (zh) * 2020-09-24 2021-11-26 广东昭阳信息技术有限公司 一种纸质作业拍照批改的方法
CN113705157B (zh) * 2020-09-24 2024-02-02 广东昭阳信息技术有限公司 一种纸质作业拍照批改的方法
CN112201116A (zh) * 2020-09-29 2021-01-08 深圳市优必选科技股份有限公司 一种逻辑板识别方法、装置及终端设备
CN112668300A (zh) * 2021-01-28 2021-04-16 武汉悦学帮网络技术有限公司 一种公式编辑方法、装置、计算机设备和存储介质
CN112668300B (zh) * 2021-01-28 2024-03-22 武汉悦学帮网络技术有限公司 一种公式编辑方法、装置、计算机设备和存储介质
CN112949262A (zh) * 2021-02-09 2021-06-11 中广核工程有限公司 评审单处理方法、装置、计算机设备和存储介质
CN112949262B (zh) * 2021-02-09 2024-05-28 中广核工程有限公司 评审单处理方法、装置、计算机设备和存储介质
CN113076944A (zh) * 2021-03-11 2021-07-06 国家电网有限公司 一种基于人工智能的单据检测识别方法
CN113793112A (zh) * 2021-07-29 2021-12-14 深圳点猫科技有限公司 一种编程作业自动批改方法、系统及介质

Similar Documents

Publication Publication Date Title
CN111680480A (zh) 基于模板的作业批改方法、装置、计算机设备及存储介质
CN110245220B (zh) 电子文件签署方法、装置及服务器、存储介质
CN111814466A (zh) 基于机器阅读理解的信息抽取方法、及其相关设备
CN111783875A (zh) 基于聚类分析的异常用户检测方法、装置、设备及介质
CN108768654B (zh) 基于声纹识别的身份验证方法、服务器及存储介质
CN110825857B (zh) 多轮问答识别方法、装置、计算机设备及存储介质
CN111695439A (zh) 图像结构化数据提取方法、电子装置及存储介质
CN110675940A (zh) 病理图像标注方法、装置、计算机设备及存储介质
CN112380240A (zh) 基于语义识别的数据查询方法、装置、设备及存储介质
CN112308237A (zh) 一种问答数据增强方法、装置、计算机设备及存储介质
CN112836521A (zh) 问答匹配方法、装置、计算机设备及存储介质
CN109461016B (zh) 数据评分方法、装置、计算机设备及存储介质
CN112668575A (zh) 关键信息提取方法、装置、电子设备及存储介质
CN113886550A (zh) 基于注意力机制的问答匹配方法、装置、设备及存储介质
CN112699213A (zh) 语音意图识别方法、装置、计算机设备及存储介质
CN114386013A (zh) 学籍自动认证方法、装置、计算机设备及存储介质
CN113761375A (zh) 基于神经网络的消息推荐方法、装置、设备及存储介质
CN114358023A (zh) 智能问答召回方法、装置、计算机设备及存储介质
CN113886577A (zh) 一种文本分类方法、装置、设备及存储介质
CN113299294A (zh) 任务型对话机器人交互方法、装置、设备及存储介质
CN116777646A (zh) 基于人工智能的风险识别方法、装置、设备及存储介质
CN114743018A (zh) 图像描述生成方法、装置、设备及介质
CN115273110A (zh) 基于TensorRT的文本识别模型部署方法、装置、设备及存储介质
CN115373634A (zh) 随机码生成方法、装置、计算机设备及存储介质
CN112396111A (zh) 文本意图分类方法、装置、计算机设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210222

Address after: 518000 Room 201, building A, No. 1, Qian Wan Road, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong (Shenzhen Qianhai business secretary Co., Ltd.)

Applicant after: Shenzhen saiante Technology Service Co.,Ltd.

Address before: 1-34 / F, Qianhai free trade building, 3048 Xinghai Avenue, Mawan, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong 518000

Applicant before: Ping An International Smart City Technology Co.,Ltd.

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination