CN112989826B - 基于人工智能的试题分数确定方法、装置、设备及介质 - Google Patents
基于人工智能的试题分数确定方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112989826B CN112989826B CN202110524057.1A CN202110524057A CN112989826B CN 112989826 B CN112989826 B CN 112989826B CN 202110524057 A CN202110524057 A CN 202110524057A CN 112989826 B CN112989826 B CN 112989826B
- Authority
- CN
- China
- Prior art keywords
- vector
- standard
- user
- answer
- feature vector
- 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.)
- Active
Links
Images
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
- G06F18/22—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
- G06F40/237—Lexical tools
- G06F40/242—Dictionaries
-
- 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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Machine Translation (AREA)
Abstract
本发明涉及语义解析,提供一种基于人工智能的试题分数确定方法、装置、设备及介质。本发明通过标准向量及用户向量的海明距离能够准确的确定出用户答案是否抄袭,通过预设编码器分别对标准向量、用户向量及试题向量进行分析,能够使试题特征向量、标准特征向量及用户特征向量中每个元素都融合了相应词汇所在的上下文语义信息,通过标准特征向量及用户特征向量的相似性加权运算,使用户答案与标准答案中相似度更大的词汇能够在后续的任务中被重点关注,结合用户答案与标准答案的语义相似程度,以及用户答案与待评分试题的匹配程度进行分析,能够准确地确定出半开放式问题的分数。此外,本发明还涉及区块链技术,所述目标分数可存储于区块链中。
Description
技术领域
本发明涉及语义解析技术领域,尤其涉及一种基于人工智能的试题分数确定方法、装置、设备及介质。
背景技术
在培训场景下,通常需要通过考试对用户的学习效果进行评判,以判断某一阶段培训效果的好坏,进而改进培训方式与方向。然而,在培训考试中通常包含很多主观题(如论述题等),由于人工评分工作量大且标准不一,造成无法准确并快速的对试题进行评分。为此,试题自动批阅技术也随之产生。
在现有的试题自动批阅的技术方案中,往往只考虑学生答案与标准答案的语义相似程度,即,语义相似度越高,得分越高。然而,由于半开放式问题中的答案标准是不固定的,因此这种方式无法准确地批阅半开放式问题。
发明内容
鉴于以上内容,有必要提供一种基于人工智能的试题分数确定方法、装置、设备及存储介质,能够准确地批阅半开放式问题。
一方面,本发明提出一种基于人工智能的试题分数确定方法,所述基于人工智能的试题分数确定方法包括:
获取待评分试题,并获取所述待评分试题的标准答案及用户答案;
对所述标准答案进行预处理,得到标准向量,并对所述用户答案进行预处理,得到用户向量;
根据所述标准向量及所述用户向量计算所述用户答案与所述标准答案的海明距离;
当所述海明距离不为预设值时,对所述待评分试题进行预处理,得到试题向量;
将所述标准向量、所述用户向量及所述试题向量并行输入至预设编码器中,得到所述标准答案的标准特征向量、所述用户答案的用户特征向量及所述待评分试题的试题特征向量;
根据所述标准特征向量对所述用户特征向量进行相似性加权运算,得到所述标准答案的标准交互向量,并根据所述用户特征向量对所述标准特征向量进行相似性加权运算,得到所述用户答案的用户交互向量;
根据所述标准特征向量及所述标准交互向量生成所述标准答案的标准矩阵,并根据所述用户特征向量及所述用户交互向量生成所述用户答案的用户矩阵;
融合所述标准矩阵与所述用户矩阵,得到所述用户答案与所述标准答案的语义相似向量;
将所述试题特征向量与所述用户特征向量进行拼接,得到拼接向量,并提取所述拼接向量的特征,得到语义匹配向量;
将所述语义相似向量及所述语义匹配向量输入至预先训练好的分数预测模型中,得到目标分数。
根据本发明优选实施例,所述对所述标准答案进行预处理,得到标准向量包括:
对所述标准答案进行清洗,得到答案文本;
根据预设词典对所述答案文本进行切分,得到多个切分路径,及每个切分路径对应的路径分词;
根据所述预设词典中的切分权值计算每个切分路径的切分概率;
将所述切分概率最高的所述切分路径确定为目标路径,并将所述目标路径对应的所述路径分词确定为答案分词;
确定所述答案分词在所述答案文本中的分词位置;
从预设向量表中获取与所述答案分词对应的向量,得到分词向量;
根据所述分词位置拼接所述分词向量,得到所述标准向量。
根据本发明优选实施例,所述将所述标准向量、所述用户向量及所述试题向量并行输入至预设编码器中,得到所述标准答案的标准特征向量、所述用户答案的用户特征向量及所述待评分试题的试题特征向量包括:
将所述标准向量、所述用户向量及试题向量确定为向量集;
计算所述向量集中每个向量的向量长度;
将取值最大的所述向量长度确定为目标长度,并将与所述目标长度对应的向量确定为目标向量;
将所述向量集中除所述目标向量外的其余向量确定为待处理向量;
根据所述目标长度对所述待处理向量进行向量填充,得到填充后的向量;
对所述目标向量及所述填充后的向量分别进行多头注意力分析,得到与所述目标向量对应的第一输出向量、与所述填充后的向量对应的第二输出向量、及与所述填充后的向量对应的第三输出向量;
并行对所述第一输出向量、所述第二输出向量及所述第三输出向量进行标准化处理,得到所述标准特征向量、所述用户特征向量及所述试题特征向量。
根据本发明优选实施例,所述根据所述用户特征向量对所述标准特征向量进行相似性加权运算,得到所述用户答案的用户交互向量包括:
采用下列公式计算所述用户特征向量中每个第一元素与所述标准特征向量中每个第二元素的相似度:
采用下列公式根据所述相似度对所述标准特征向量进行加权运算,得到所述用户答案的用户交互向量:
根据本发明优选实施例,所述根据所述标准特征向量及所述标准交互向量生成所述标准答案的标准矩阵包括:
将所述标准特征向量与所述标准交互向量进行对位相减运算,得到差值向量;
将所述标准特征向量与所述标准交互向量进行对位相乘运算,得到乘积向量;
拼接所述标准特征向量、所述标准交互向量、所述差值向量及所述乘积向量,得到所述标准矩阵。
根据本发明优选实施例,所述融合所述标准矩阵与所述用户矩阵,得到所述用户答案与所述标准答案的语义相似向量包括:
计算所述标准矩阵中每个列向量的平均值,得到第一编码向量;
计算所述用户矩阵中每个列向量的平均值,得到第二编码向量;
拼接所述第二编码向量及所述第一编码向量,得到目标编码向量;
将所述目标编码向量输入至所述预设编码器中,得到所述语义相似向量。
根据本发明优选实施例,所述提取所述拼接向量的特征,得到语义匹配向量包括:
基于多个预设矩阵分别乘以所述拼接向量,得到多个语义矩阵;
从所述多个语义矩阵中提取矩阵对及目标矩阵,所述矩阵对包括所述多个语义矩阵中的任意两个矩阵;
根据所述矩阵对计算所述拼接向量中每个拼接元素的重要度;
根据所述重要度及所述目标矩阵生成所述拼接向量的迭代向量,并将所述迭代向量确定为下一次迭代处理的拼接向量,直至迭代次数为配置次数,得到所述语义匹配向量。
另一方面,本发明还提出一种基于人工智能的试题分数确定装置,所述基于人工智能的试题分数确定装置包括:
获取单元,用于获取待评分试题,并获取所述待评分试题的标准答案及用户答案;
预处理单元,用于对所述标准答案进行预处理,得到标准向量,并对所述用户答案进行预处理,得到用户向量;
计算单元,用于根据所述标准向量及所述用户向量计算所述用户答案与所述标准答案的海明距离;
所述预处理单元,还用于当所述海明距离不为预设值时,对所述待评分试题进行预处理,得到试题向量;
输入单元,用于将所述标准向量、所述用户向量及所述试题向量并行输入至预设编码器中,得到所述标准答案的标准特征向量、所述用户答案的用户特征向量及所述待评分试题的试题特征向量;
运算单元,用于根据所述标准特征向量对所述用户特征向量进行相似性加权运算,得到所述标准答案的标准交互向量,并根据所述用户特征向量对所述标准特征向量进行相似性加权运算,得到所述用户答案的用户交互向量;
生成单元,用于根据所述标准特征向量及所述标准交互向量生成所述标准答案的标准矩阵,并根据所述用户特征向量及所述用户交互向量生成所述用户答案的用户矩阵;
融合单元,用于融合所述标准矩阵与所述用户矩阵,得到所述用户答案与所述标准答案的语义相似向量;
拼接单元,用于将所述试题特征向量与所述用户特征向量进行拼接,得到拼接向量,并提取所述拼接向量的特征,得到语义匹配向量;
所述输入单元,还用于将所述语义相似向量及所述语义匹配向量输入至预先训练好的分数预测模型中,得到目标分数。
另一方面,本发明还提出一种电子设备,所述电子设备包括:
存储器,存储计算机可读指令;及
处理器,执行所述存储器中存储的计算机可读指令以实现所述基于人工智能的试题分数确定方法。
另一方面,本发明还提出一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机可读指令,所述计算机可读指令被电子设备中的处理器执行以实现所述基于人工智能的试题分数确定方法。
由以上技术方案可以看出,本发明通过所述标准向量及所述用户向量的海明距离能够准确的确定出所述用户答案是否抄袭,进而在检测到所述用户答案没有抄袭时,通过所述预设编码器分别对所述标准向量、所述用户向量及所述试题向量进行分析,能够使所述试题特征向量、所述标准特征向量及所述用户特征向量中的每个元素都融合了相应词汇所在的上下文语义信息,通过所述标准特征向量及所述用户特征向量的相似性加权运算,由于能够利用句子间的相似度对所述用户答案与所述标准答案进行文本信息交互,使所述用户答案与所述标准答案中相似度更大的词汇能够在后续的任务中被重点关注,进而结合所述用户答案与所述标准答案的语义相似程度,以及所述用户答案与所述待评分试题的匹配程度进行分析,能够准确地确定出半开放式问题的分数。
附图说明
图1是本发明基于人工智能的试题分数确定方法的较佳实施例的流程图。
图2是本发明基于人工智能的试题分数确定装置的较佳实施例的功能模块图。
图3是本发明实现基于人工智能的试题分数确定方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
如图1所示,是本发明基于人工智能的试题分数确定方法的较佳实施例的流程图。根据不同的需求,该流程图中步骤的顺序可以改变,某些步骤可以省略。
所述基于人工智能的试题分数确定方法应用于智慧教育场景中,从而推动智慧城市的建设。所述基于人工智能的试题分数确定方法应用于一个或者多个电子设备中,所述电子设备是一种能够按照事先设定或存储的计算机可读指令,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 SpecificIntegrated Circuit,ASIC)、可编程门阵列(Field-Programmable Gate Array,FPGA)、数字信号处理器(Digital Signal Processor,DSP)、嵌入式设备等。
所述电子设备可以是任何一种可与用户进行人机交互的电子产品,例如,个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,PDA)、游戏机、交互式网络电视(Internet Protocol Television,IPTV)、智能穿戴式设备等。
所述电子设备可以包括网络设备和/或用户设备。其中,所述网络设备包括,但不限于单个网络电子设备、多个网络电子设备组成的电子设备组或基于云计算(CloudComputing)的由大量主机或网络电子设备构成的云。
所述电子设备所处的网络包括,但不限于:互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network,VPN)等。
S10,获取待评分试题,并获取所述待评分试题的标准答案及用户答案。
在本发明的至少一个实施例中,所述待评分试题是指需要进行评分的文字类答案的试题,所述待评分试题可以是简答题,也可以是论述题。
在本发明的至少一个实施例中,所述标准答案是指根据所述待评分试题设置好的答案。所述用户答案是指任意用户针对所述待评分试题所做出的答案。
在本发明的至少一个实施例中,所述电子设备获取待评分试题包括:
获取预设类型;
从预设题库中获取与所述预设类型对应的任一试题作为所述待评分试题。
其中,所述预设类型用于指示简答题、论述题等文字类答案的试题。所述预设题库中存储有多种类型的试题。
通过所述预设类型能够从所述预设题库中准确的确定出分数确定的对象。
在本发明的至少一个实施例中,所述电子设备获取所述待评分试题的标准答案及用户答案包括:
确定所述待评分试题的试题编号;
获取预设标签,所述预设标签用于指示答案;
从所述预设题库中获取同时与所述试题编号及所述预设标签对应的信息作为所述标准答案;
采用OCR(Optical Character Recognition,光学字符识别)算法将从预设文件中识别到的与所述试题编号对应的信息确定为所述用户答案,所述预设文件是指用户填写试题答案所在的位置。
通过所述预设标签及所述试题编号能够准确的确定出所述标准答案,通过所述试题编号能够准确的从所述预设文件中识别出所述用户答案。
S11,对所述标准答案进行预处理,得到标准向量,并对所述用户答案进行预处理,得到用户向量。
在本发明的至少一个实施例中,所述标准向量是指对所述标准答案中文本信息的向量表示,所述用户向量是指对所述用户答案中文本信息的向量表示。
在本发明的至少一个实施例中,所述电子设备对所述标准答案进行预处理,得到标准向量包括:
对所述标准答案进行清洗,得到答案文本;
根据预设词典对所述答案文本进行切分,得到多个切分路径,及每个切分路径对应的路径分词;
根据所述预设词典中的切分权值计算每个切分路径的切分概率;
将所述切分概率最高的所述切分路径确定为目标路径,并将所述目标路径对应的所述路径分词确定为答案分词;
确定所述答案分词在所述答案文本中的分词位置;
从预设向量表中获取与所述答案分词对应的向量,得到分词向量;
根据所述分词位置拼接所述分词向量,得到所述标准向量。
其中,所述预设词典中存储有多个预设词汇,及每个预设词汇的切分权值。所述切分权值可以是每个预设词汇在所述预设词典中的重要度。
所述预设向量表中存储有多个词汇的向量表示。
通过对所述标准答案进行清洗,能够清洗掉所述标准答案中的无用词汇以及停用词,从而有利于快速切分出所述答案分词,通过所述分词向量及所述分词位置能够准确确定出与所述标准答案语义相同的所述标准向量。
具体地,所述电子设备对所述标准答案中的预设符进行数据清洗,得到所述答案文本。其中,所述预设符包括停用词、特殊符号等无用词汇。
进一步地,所述电子设备根据预设词典中的预设词汇切分所述答案文本,得到所述多个切分路径,及每个切分路径对应的所述路径分词。
例如,所述答案文本为:“我爱吃苹果”,根据所述预设词汇“我”、“爱”、“吃”、“苹果”切分所述答案文本“我/爱/吃/苹果”,得到第一个切分路径对应的所述路径分词为{“我”、“爱”、“吃”、“苹果”},根据所述预设词汇“我爱”、“吃”、“苹果”切分所述答案文本“我爱/吃/苹果”,得到第二个切分路径对应的所述路径分词为{“我爱”、“吃”、“苹果”},根据所述预设词汇“我爱吃”及“苹果”切分所述答案文本“我爱吃/苹果”,得到第三个切分路径对应的所述路径分词为{“我爱吃”、“苹果”}。
通过上述实施方式,根据所述预设词典能够全面获取到所述答案文本的多个切分路径,有利于所述答案分词的确定。
进一步地,对于每个切分路径,所述电子设备计算所述路径分词在所述预设词典中对应的切分权值的总和,得到所述切分概率。
在本发明的至少一个实施例中,所述电子设备对所述用户答案进行预处理的方式与所述电子设备对所述标准答案进行预处理的方式相同,本发明对此不再赘述。
S12,根据所述标准向量及所述用户向量计算所述用户答案与所述标准答案的海明距离。
在本发明的至少一个实施例中,所述海明距离是指所述用户答案与所述标准答案的字面相似程度。
在本发明的至少一个实施例中,所述电子设备采用下列公式根据所述标准向量及所述用户向量计算所述用户答案与所述标准答案的海明距离包括:
例如:所述用户答案中有3个词汇,向量表示分别为(0,1,0,1,1,1)、(0,1,0,0,0,1)、(1,0,0,1,1,1),即所述用户向量为(0,1,0,1,1,1,0,1,0,0,0,1,1,0,0,1,1,1),所述标准答案中有3个词汇,向量表示分别为(0,1,0,1,1,0)、(0,1,0,0,0,1)、(1,0,0,1,1,0),即所述标准向量为(0,1,0,1,1,0,0,1,0,0,0,1,1,0,0,1,1,0),经计算,所述用户答案中的第一个词汇与所述标准答案中的第一个词汇的距离为1,所述用户答案中的第二个词汇与所述标准答案中的第二个词汇的距离为0,所述用户答案中的第三个词汇与所述标准答案中的第三个词汇的距离为1,因此,所述海明距离为2。
通过计算所述用户向量与所述标准向量的海明距离,能够快速确定出所述用户答案与所述标准答案的字面匹配程度。
S13,当所述海明距离不为预设值时,对所述待评分试题进行预处理,得到试题向量。
在本发明的至少一个实施例中,所述预设值通常设置为0,当所述海明距离为所述预设值时,表征所述用户答案与所述标准答案的字面匹配程度为100%,即可判定为所述用户答案抄袭所述标准答案。
在本发明的至少一个实施例中,所述试题向量是指对所述待评分试题中文本信息的向量表示。
在本发明的至少一个实施例中,所述电子设备对所述待评分试题进行预处理的方式与所述电子设备对所述标准答案进行预处理的方式相同,本发明不再赘述。
S14,将所述标准向量、所述用户向量及所述试题向量并行输入至预设编码器中,得到所述标准答案的标准特征向量、所述用户答案的用户特征向量及所述待评分试题的试题特征向量。
在本发明的至少一个实施例中,所述标准特征向量是指所述标准答案中的语义信息的向量表示,所述用户特征向量是指所述用户答案中的语义信息的向量表示,所述试题特征向量是指所述待评分试题中的语义信息的向量表示。
在本发明的至少一个实施例中,所述电子设备将所述标准向量、所述用户向量及所述试题向量并行输入至预设编码器中,得到所述标准答案的标准特征向量、所述用户答案的用户特征向量及所述待评分试题的试题特征向量包括:
将所述标准向量、所述用户向量及试题向量确定为向量集;
计算所述向量集中每个向量的向量长度;
将取值最大的所述向量长度确定为目标长度,并将与所述目标长度对应的向量确定为目标向量;
将所述向量集中除所述目标向量外的其余向量确定为待处理向量;
根据所述目标长度对所述待处理向量进行向量填充,得到填充后的向量;
对所述目标向量及所述填充后的向量分别进行多头注意力分析,得到与所述目标向量对应的第一输出向量、与所述填充后的向量对应的第二输出向量、及与所述填充后的向量对应的第三输出向量;
并行对所述第一输出向量、所述第二输出向量及所述第三输出向量进行标准化处理,得到所述标准特征向量、所述用户特征向量及所述试题特征向量。
通过上述实施方式,能够使生成的所述标准特征向量、所述用户特征向量及所述试题特征向量中分别融合了所述标准答案、所述用户答案、所述待评分试题中的语义信息,从而提高语义相似度及语义匹配度的分析准确性。
S15,根据所述标准特征向量对所述用户特征向量进行相似性加权运算,得到所述标准答案的标准交互向量,并根据所述用户特征向量对所述标准特征向量进行相似性加权运算,得到所述用户答案的用户交互向量。
在本发明的至少一个实施例中,所述电子设备根据所述用户特征向量对所述标准特征向量进行相似性加权运算,得到所述用户答案的用户交互向量包括:
采用下列公式计算所述用户特征向量中每个第一元素与所述标准特征向量中每个第二元素的相似度:
采用下列公式根据所述相似度对所述标准特征向量进行加权运算,得到所述用户答案的用户交互向量:
通过句子间的相似性对所述用户答案及所述标准答案的文本信息进行交互,能够使所述用户答案与所述标准答案中相似度更大的词汇在后续任务中被重点关注。
S16,根据所述标准特征向量及所述标准交互向量生成所述标准答案的标准矩阵,并根据所述用户特征向量及所述用户交互向量生成所述用户答案的用户矩阵。
在本发明的至少一个实施例中,所述标准矩阵是通过多种编码方式对所述标准答案进行编码后生成的矩阵,所述标准矩阵中每个行向量是指每种编码方式对所述标准答案的编码表示方式。
所述用户矩阵是通过多种编码方式对所述用户答案进行编码后生成的矩阵,所述用户矩阵中每个行向量是指每种编码方式对所述用户答案的编码表示方式。
在本发明的至少一个实施例中,所述电子设备根据所述标准特征向量及所述标准交互向量生成所述标准答案的标准矩阵包括:
将所述标准特征向量与所述标准交互向量进行对位相减运算,得到差值向量;
将所述标准特征向量与所述标准交互向量进行对位相乘运算,得到乘积向量;
拼接所述标准特征向量、所述标准交互向量、所述差值向量及所述乘积向量,得到所述标准矩阵。
通过上述实施方式,能够快速生成所述标准答案的其他编码方式,进而将所述标准答案的多种编码方式组合生成所述标准矩阵。
S17,融合所述标准矩阵与所述用户矩阵,得到所述用户答案与所述标准答案的语义相似向量。
在本发明的至少一个实施例中,所述语义相似向量中涵盖了所述用户答案及所述标准答案的文本信息,以及所述用户答案与所述标准答案的相似度关系。
在本发明的至少一个实施例中,所述电子设备融合所述标准矩阵与所述用户矩阵,得到所述用户答案与所述标准答案的语义相似向量包括:
计算所述标准矩阵中每个列向量的平均值,得到第一编码向量;
计算所述用户矩阵中每个列向量的平均值,得到第二编码向量;
拼接所述第二编码向量及所述第一编码向量,得到目标编码向量;
将所述目标编码向量输入至所述预设编码器中,得到所述语义相似向量。
通过对计算所述标准矩阵中每个列向量的平均值,能够根据多种编码方式准确的生成表征所述标准答案的所述第一编码向量,通过对计算所述用户矩阵中每个列向量的平均值,能够根据多种编码方式准确的生成表征所述用户答案的第二编码向量,进而通过所述预设编码器对所述目标编码向量进行处理,能够使生成的所述语义相似向量中不仅包含了所述用户答案及所述标准答案的文本信息,还包含了所述用户答案与所述标准答案的相似度关系。
S18,将所述试题特征向量与所述用户特征向量进行拼接,得到拼接向量,并提取所述拼接向量的特征,得到语义匹配向量。
在本发明的至少一个实施例中,所述拼接向量中包含了所述待评分试题及所述用户答案的文本信息。
所述语义匹配向量中涵盖了所述用户答案及所述待评分试题的文本信息,以及所述用户答案与所述待评分试题的匹配度关系。
在本发明的至少一个实施例中,所述电子设备将所述试题特征向量与所述用户特征向量进行拼接,得到拼接向量包括:
拼接第一配置标识、所述试题特征向量、第二配置标识及所述用户特征向量,得到所述拼接向量。
其中,所述第一配置标识可以是[CLS],所述第二配置标识可以是[SEP]。
在本发明的至少一个实施例中,所述电子设备提取所述拼接向量的特征,得到语义匹配向量包括:
基于多个预设矩阵分别乘以所述拼接向量,得到多个语义矩阵;
从所述多个语义矩阵中提取矩阵对及目标矩阵,所述矩阵对包括所述多个语义矩阵中的任意两个矩阵;
根据所述矩阵对计算所述拼接向量中每个拼接元素的重要度;
根据所述重要度及所述目标矩阵生成所述拼接向量的迭代向量,并将所述迭代向量确定为下一次迭代处理的拼接向量,直至迭代次数为配置次数,得到所述语义匹配向量。
其中,所述配置次数可以是自定义配置的,本发明对所述配置次数不作限制。
通过上述实施方式,能够使生成的所述语义匹配向量中不仅包含了所述用户答案及所述待评分试题的文本信息,还包含了所述用户答案与所述待评分试题的匹配度关系。
S19,将所述语义相似向量及所述语义匹配向量输入至预先训练好的分数预测模型中,得到目标分数。
需要强调的是,为进一步保证上述目标分数的私密和安全性,上述目标分数还可以存储于一区块链的节点中。
在本发明的至少一个实施例中,所述目标分数是根据所述用户答案相对于所述待评分试题的匹配度及所述用户答案相对于所述标准答案的相似度确定的。
在本发明的至少一个实施例中,在将所述语义相似向量及所述语义匹配向量输入至预先训练好的分数预测模型中之前,所述方法还包括:
获取训练样本,所述训练样本包括试题样本、第一答案样本、第二答案样本、分数样本;
根据所述第一答案样本及所述第二答案样本生成相似样本向量,并根据所述试题样本及所述第二答案样本生成匹配样本向量;
将所述相似样本向量、所述匹配样本向量及所述分数样本输入至预设全连接层中进行训练,得到所述分数预测模型。
其中,所述第一答案样本是指根据所述试题样本设置的标准答案,所述第二答案样本是指用户针对所述试题样本所作出的答案。
所述预设全连接层可以由多层感知器组成。
通过所述预设全连接层能够快速生成所述分数预测模型。
在本发明的至少一个实施例中,在得到目标分数后,所述方法还包括:
获取所述用户答案的操作用户;
根据所述试题编号、所述操作用户及所述目标分数生成提示信息;
采用对称加密技术加密所述提示信息,得到密文;
将所述密文发送至指定联系人的终端设备。
其中,所述指定联系人可以是指试题的批阅对象。
通过上述实施方式,能够在得到所述目标分数后,及时将所述目标分数发送至所述终端设备。
由以上技术方案可以看出,本发明通过所述标准向量及所述用户向量的海明距离能够准确的确定出所述用户答案是否抄袭,进而在检测到所述用户答案没有抄袭时,通过所述预设编码器分别对所述标准向量、所述用户向量及所述试题向量进行分析,能够使所述试题特征向量、所述标准特征向量及所述用户特征向量中的每个元素都融合了相应词汇所在的上下文语义信息,通过所述标准特征向量及所述用户特征向量的相似性加权运算,由于能够利用句子间的相似度对所述用户答案与所述标准答案进行文本信息交互,使所述用户答案与所述标准答案中相似度更大的词汇能够在后续的任务中被重点关注,进而结合所述用户答案与所述标准答案的语义相似程度,以及所述用户答案与所述待评分试题的匹配程度进行分析,能够准确地确定出半开放式问题的分数。
如图2所示,是本发明基于人工智能的试题分数确定装置的较佳实施例的功能模块图。所述基于人工智能的试题分数确定装置11包括获取单元110、预处理单元111、计算单元112、输入单元113、运算单元114、生成单元115、融合单元116、拼接单元117、加密单元118及发送单元119。本发明所称的模块/单元是指一种能够被处理器13所获取,并且能够完成固定功能的一系列计算机可读指令段,其存储在存储器12中。在本实施例中,关于各模块/单元的功能将在后续的实施例中详述。
获取单元110获取待评分试题,并获取所述待评分试题的标准答案及用户答案。
在本发明的至少一个实施例中,所述待评分试题是指需要进行评分的文字类答案的试题,所述待评分试题可以是简答题,也可以是论述题。
在本发明的至少一个实施例中,所述标准答案是指根据所述待评分试题设置好的答案。所述用户答案是指任意用户针对所述待评分试题所做出的答案。
在本发明的至少一个实施例中,所述获取单元110获取待评分试题包括:
获取预设类型;
从预设题库中获取与所述预设类型对应的任一试题作为所述待评分试题。
其中,所述预设类型用于指示简答题、论述题等文字类答案的试题。所述预设题库中存储有多种类型的试题。
通过所述预设类型能够从所述预设题库中准确的确定出分数确定的对象。
在本发明的至少一个实施例中,所述获取单元110获取所述待评分试题的标准答案及用户答案包括:
确定所述待评分试题的试题编号;
获取预设标签,所述预设标签用于指示答案;
从所述预设题库中获取同时与所述试题编号及所述预设标签对应的信息作为所述标准答案;
采用OCR(Optical Character Recognition,光学字符识别)算法将从预设文件中识别到的与所述试题编号对应的信息确定为所述用户答案,所述预设文件是指用户填写试题答案所在的位置。
通过所述预设标签及所述试题编号能够准确的确定出所述标准答案,通过所述试题编号能够准确的从所述预设文件中识别出所述用户答案。
预处理单元111对所述标准答案进行预处理,得到标准向量,并对所述用户答案进行预处理,得到用户向量。
在本发明的至少一个实施例中,所述标准向量是指对所述标准答案中文本信息的向量表示,所述用户向量是指对所述用户答案中文本信息的向量表示。
在本发明的至少一个实施例中,所述预处理单元111对所述标准答案进行预处理,得到标准向量包括:
对所述标准答案进行清洗,得到答案文本;
根据预设词典对所述答案文本进行切分,得到多个切分路径,及每个切分路径对应的路径分词;
根据所述预设词典中的切分权值计算每个切分路径的切分概率;
将所述切分概率最高的所述切分路径确定为目标路径,并将所述目标路径对应的所述路径分词确定为答案分词;
确定所述答案分词在所述答案文本中的分词位置;
从预设向量表中获取与所述答案分词对应的向量,得到分词向量;
根据所述分词位置拼接所述分词向量,得到所述标准向量。
其中,所述预设词典中存储有多个预设词汇,及每个预设词汇的切分权值。所述切分权值可以是每个预设词汇在所述预设词典中的重要度。
所述预设向量表中存储有多个词汇的向量表示。
通过对所述标准答案进行清洗,能够清洗掉所述标准答案中的无用词汇以及停用词,从而有利于快速切分出所述答案分词,通过所述分词向量及所述分词位置能够准确确定出与所述标准答案语义相同的所述标准向量。
具体地,所述预处理单元111对所述标准答案中的预设符进行数据清洗,得到所述答案文本。其中,所述预设符包括停用词、特殊符号等无用词汇。
进一步地,所述预处理单元111根据预设词典中的预设词汇切分所述答案文本,得到所述多个切分路径,及每个切分路径对应的所述路径分词。
例如,所述答案文本为:“我爱吃苹果”,根据所述预设词汇“我”、“爱”、“吃”、“苹果”切分所述答案文本“我/爱/吃/苹果”,得到第一个切分路径对应的所述路径分词为{“我”、“爱”、“吃”、“苹果”},根据所述预设词汇“我爱”、“吃”、“苹果”切分所述答案文本“我爱/吃/苹果”,得到第二个切分路径对应的所述路径分词为{“我爱”、“吃”、“苹果”},根据所述预设词汇“我爱吃”及“苹果”切分所述答案文本“我爱吃/苹果”,得到第三个切分路径对应的所述路径分词为{“我爱吃”、“苹果”}。
通过上述实施方式,根据所述预设词典能够全面获取到所述答案文本的多个切分路径,有利于所述答案分词的确定。
进一步地,对于每个切分路径,所述预处理单元111计算所述路径分词在所述预设词典中对应的切分权值的总和,得到所述切分概率。
在本发明的至少一个实施例中,所述预处理单元111对所述用户答案进行预处理的方式与所述预处理单元111对所述标准答案进行预处理的方式相同,本发明对此不再赘述。
计算单元112根据所述标准向量及所述用户向量计算所述用户答案与所述标准答案的海明距离。
在本发明的至少一个实施例中,所述海明距离是指所述用户答案与所述标准答案的字面相似程度。
在本发明的至少一个实施例中,所述计算单元112采用下列公式根据所述标准向量及所述用户向量计算所述用户答案与所述标准答案的海明距离包括:
例如:所述用户答案中有3个词汇,向量表示分别为(0,1,0,1,1,1)、(0,1,0,0,0,1)、(1,0,0,1,1,1),即所述用户向量为(0,1,0,1,1,1,0,1,0,0,0,1,1,0,0,1,1,1),所述标准答案中有3个词汇,向量表示分别为(0,1,0,1,1,0)、(0,1,0,0,0,1)、(1,0,0,1,1,0),即所述标准向量为(0,1,0,1,1,0,0,1,0,0,0,1,1,0,0,1,1,0),经计算,所述用户答案中的第一个词汇与所述标准答案中的第一个词汇的距离为1,所述用户答案中的第二个词汇与所述标准答案中的第二个词汇的距离为0,所述用户答案中的第三个词汇与所述标准答案中的第三个词汇的距离为1,因此,所述海明距离为2。
通过计算所述用户向量与所述标准向量的海明距离,能够快速确定出所述用户答案与所述标准答案的字面匹配程度。
当所述海明距离不为预设值时,所述预处理单元111对所述待评分试题进行预处理,得到试题向量。
在本发明的至少一个实施例中,所述预设值通常设置为0,当所述海明距离为所述预设值时,表征所述用户答案与所述标准答案的字面匹配程度为100%,即可判定为所述用户答案抄袭所述标准答案。
在本发明的至少一个实施例中,所述试题向量是指对所述待评分试题中文本信息的向量表示。
在本发明的至少一个实施例中,所述预处理单元111对所述待评分试题进行预处理的方式与所述预处理单元111对所述标准答案进行预处理的方式相同,本发明不再赘述。
输入单元113将所述标准向量、所述用户向量及所述试题向量并行输入至预设编码器中,得到所述标准答案的标准特征向量、所述用户答案的用户特征向量及所述待评分试题的试题特征向量。
在本发明的至少一个实施例中,所述标准特征向量是指所述标准答案中的语义信息的向量表示,所述用户特征向量是指所述用户答案中的语义信息的向量表示,所述试题特征向量是指所述待评分试题中的语义信息的向量表示。
在本发明的至少一个实施例中,所述输入单元113将所述标准向量、所述用户向量及所述试题向量并行输入至预设编码器中,得到所述标准答案的标准特征向量、所述用户答案的用户特征向量及所述待评分试题的试题特征向量包括:
将所述标准向量、所述用户向量及试题向量确定为向量集;
计算所述向量集中每个向量的向量长度;
将取值最大的所述向量长度确定为目标长度,并将与所述目标长度对应的向量确定为目标向量;
将所述向量集中除所述目标向量外的其余向量确定为待处理向量;
根据所述目标长度对所述待处理向量进行向量填充,得到填充后的向量;
对所述目标向量及所述填充后的向量分别进行多头注意力分析,得到与所述目标向量对应的第一输出向量、与所述填充后的向量对应的第二输出向量、及与所述填充后的向量对应的第三输出向量;
并行对所述第一输出向量、所述第二输出向量及所述第三输出向量进行标准化处理,得到所述标准特征向量、所述用户特征向量及所述试题特征向量。
通过上述实施方式,能够使生成的所述标准特征向量、所述用户特征向量及所述试题特征向量中分别融合了所述标准答案、所述用户答案、所述待评分试题中的语义信息,从而提高语义相似度及语义匹配度的分析准确性。
运算单元114根据所述标准特征向量对所述用户特征向量进行相似性加权运算,得到所述标准答案的标准交互向量,并根据所述用户特征向量对所述标准特征向量进行相似性加权运算,得到所述用户答案的用户交互向量。
在本发明的至少一个实施例中,所述运算单元114根据所述用户特征向量对所述标准特征向量进行相似性加权运算,得到所述用户答案的用户交互向量包括:
采用下列公式计算所述用户特征向量中每个第一元素与所述标准特征向量中每个第二元素的相似度:
采用下列公式根据所述相似度对所述标准特征向量进行加权运算,得到所述用户答案的用户交互向量:
通过句子间的相似性对所述用户答案及所述标准答案的文本信息进行交互,能够使所述用户答案与所述标准答案中相似度更大的词汇在后续任务中被重点关注。
生成单元115根据所述标准特征向量及所述标准交互向量生成所述标准答案的标准矩阵,并根据所述用户特征向量及所述用户交互向量生成所述用户答案的用户矩阵。
在本发明的至少一个实施例中,所述标准矩阵是通过多种编码方式对所述标准答案进行编码后生成的矩阵,所述标准矩阵中每个行向量是指每种编码方式对所述标准答案的编码表示方式。
所述用户矩阵是通过多种编码方式对所述用户答案进行编码后生成的矩阵,所述用户矩阵中每个行向量是指每种编码方式对所述用户答案的编码表示方式。
在本发明的至少一个实施例中,所述生成单元115根据所述标准特征向量及所述标准交互向量生成所述标准答案的标准矩阵包括:
将所述标准特征向量与所述标准交互向量进行对位相减运算,得到差值向量;
将所述标准特征向量与所述标准交互向量进行对位相乘运算,得到乘积向量;
拼接所述标准特征向量、所述标准交互向量、所述差值向量及所述乘积向量,得到所述标准矩阵。
通过上述实施方式,能够快速生成所述标准答案的其他编码方式,进而将所述标准答案的多种编码方式组合生成所述标准矩阵。
融合单元116融合所述标准矩阵与所述用户矩阵,得到所述用户答案与所述标准答案的语义相似向量。
在本发明的至少一个实施例中,所述语义相似向量中涵盖了所述用户答案及所述标准答案的文本信息,以及所述用户答案与所述标准答案的相似度关系。
在本发明的至少一个实施例中,所述融合单元116融合所述标准矩阵与所述用户矩阵,得到所述用户答案与所述标准答案的语义相似向量包括:
计算所述标准矩阵中每个列向量的平均值,得到第一编码向量;
计算所述用户矩阵中每个列向量的平均值,得到第二编码向量;
拼接所述第二编码向量及所述第一编码向量,得到目标编码向量;
将所述目标编码向量输入至所述预设编码器中,得到所述语义相似向量。
通过对计算所述标准矩阵中每个列向量的平均值,能够根据多种编码方式准确的生成表征所述标准答案的所述第一编码向量,通过对计算所述用户矩阵中每个列向量的平均值,能够根据多种编码方式准确的生成表征所述用户答案的第二编码向量,进而通过所述预设编码器对所述目标编码向量进行处理,能够使生成的所述语义相似向量中不仅包含了所述用户答案及所述标准答案的文本信息,还包含了所述用户答案与所述标准答案的相似度关系。
拼接单元117将所述试题特征向量与所述用户特征向量进行拼接,得到拼接向量,并提取所述拼接向量的特征,得到语义匹配向量。
在本发明的至少一个实施例中,所述拼接向量中包含了所述待评分试题及所述用户答案的文本信息。
所述语义匹配向量中涵盖了所述用户答案及所述待评分试题的文本信息,以及所述用户答案与所述待评分试题的匹配度关系。
在本发明的至少一个实施例中,所述拼接单元117将所述试题特征向量与所述用户特征向量进行拼接,得到拼接向量包括:
拼接第一配置标识、所述试题特征向量、第二配置标识及所述用户特征向量,得到所述拼接向量。
其中,所述第一配置标识可以是[CLS],所述第二配置标识可以是[SEP]。
在本发明的至少一个实施例中,所述拼接单元117提取所述拼接向量的特征,得到语义匹配向量包括:
基于多个预设矩阵分别乘以所述拼接向量,得到多个语义矩阵;
从所述多个语义矩阵中提取矩阵对及目标矩阵,所述矩阵对包括所述多个语义矩阵中的任意两个矩阵;
根据所述矩阵对计算所述拼接向量中每个拼接元素的重要度;
根据所述重要度及所述目标矩阵生成所述拼接向量的迭代向量,并将所述迭代向量确定为下一次迭代处理的拼接向量,直至迭代次数为配置次数,得到所述语义匹配向量。
其中,所述配置次数可以是自定义配置的,本发明对所述配置次数不作限制。
通过上述实施方式,能够使生成的所述语义匹配向量中不仅包含了所述用户答案及所述待评分试题的文本信息,还包含了所述用户答案与所述待评分试题的匹配度关系。
所述输入单元113将所述语义相似向量及所述语义匹配向量输入至预先训练好的分数预测模型中,得到目标分数。
在本发明的至少一个实施例中,所述目标分数是根据所述用户答案相对于所述待评分试题的匹配度及所述用户答案相对于所述标准答案的相似度确定的。
在本发明的至少一个实施例中,在将所述语义相似向量及所述语义匹配向量输入至预先训练好的分数预测模型中之前,所述获取单元110获取训练样本,所述训练样本包括试题样本、第一答案样本、第二答案样本、分数样本;
所述生成单元115根据所述第一答案样本及所述第二答案样本生成相似样本向量,并根据所述试题样本及所述第二答案样本生成匹配样本向量;
所述输入单元113将所述相似样本向量、所述匹配样本向量及所述分数样本输入至预设全连接层中进行训练,得到所述分数预测模型。
其中,所述第一答案样本是指根据所述试题样本设置的标准答案,所述第二答案样本是指用户针对所述试题样本所作出的答案。
所述预设全连接层可以由多层感知器组成。
通过所述预设全连接层能够快速生成所述分数预测模型。
在本发明的至少一个实施例中,在得到目标分数后,所述获取单元110获取所述用户答案的操作用户;
所述生成单元115根据所述试题编号、所述操作用户及所述目标分数生成提示信息;
加密单元118采用对称加密技术加密所述提示信息,得到密文;
发送单元119将所述密文发送至指定联系人的终端设备。
其中,所述指定联系人可以是指试题的批阅对象。
通过上述实施方式,能够在得到所述目标分数后,及时将所述目标分数发送至所述终端设备。
由以上技术方案可以看出,本发明通过所述标准向量及所述用户向量的海明距离能够准确的确定出所述用户答案是否抄袭,进而在检测到所述用户答案没有抄袭时,通过所述预设编码器分别对所述标准向量、所述用户向量及所述试题向量进行分析,能够使所述试题特征向量、所述标准特征向量及所述用户特征向量中的每个元素都融合了相应词汇所在的上下文语义信息,通过所述标准特征向量及所述用户特征向量的相似性加权运算,由于能够利用句子间的相似度对所述用户答案与所述标准答案进行文本信息交互,使所述用户答案与所述标准答案中相似度更大的词汇能够在后续的任务中被重点关注,进而结合所述用户答案与所述标准答案的语义相似程度,以及所述用户答案与所述待评分试题的匹配程度进行分析,能够准确地确定出半开放式问题的分数。
如图3所示,是本发明实现基于人工智能的试题分数确定方法的较佳实施例的电子设备的结构示意图。
在本发明的一个实施例中,所述电子设备1包括,但不限于,存储器12、处理器13,以及存储在所述存储器12中并可在所述处理器13上运行的计算机可读指令,例如基于人工智能的试题分数确定程序。
本领域技术人员可以理解,所述示意图仅仅是电子设备1的示例,并不构成对电子设备1的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器13是所述电子设备1的运算核心和控制中心,利用各种接口和线路连接整个电子设备1的各个部分,及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
示例性的,所述计算机可读指令可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器12中,并由所述处理器13执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机可读指令段,该计算机可读指令段用于描述所述计算机可读指令在所述电子设备1中的执行过程。例如,所述计算机可读指令可以被分割成获取单元110、预处理单元111、计算单元112、输入单元113、运算单元114、生成单元115、融合单元116、拼接单元117、加密单元118及发送单元119。
所述存储器12可用于存储所述计算机可读指令和/或模块,所述处理器13通过运行或执行存储在所述存储器12内的计算机可读指令和/或模块,以及调用存储在存储器12内的数据,实现所述电子设备1的各种功能。所述存储器12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(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据等。存储器12可以包括非易失性和易失性存储器,例如:硬盘、内存、插接式硬盘,智能存储卡(SmartMedia Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地,所述存储器12可以是具有实物形式的存储器,如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1集成的模块/单元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,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机可读指令来指令相关的硬件来完成,所述的计算机可读指令可存储于一计算机可读存储介质中,该计算机可读指令在被处理器执行时,可实现上述各个方法实施例的步骤。
其中,所述计算机可读指令包括计算机可读指令代码,所述计算机可读指令代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机可读指令代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)。
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。
结合图1,所述电子设备1中的所述存储器12存储计算机可读指令实现一种基于人工智能的试题分数确定方法,所述处理器13可执行所述计算机可读指令从而实现:
获取待评分试题,并获取所述待评分试题的标准答案及用户答案;
对所述标准答案进行预处理,得到标准向量,并对所述用户答案进行预处理,得到用户向量;
根据所述标准向量及所述用户向量计算所述用户答案与所述标准答案的海明距离;
当所述海明距离不为预设值时,对所述待评分试题进行预处理,得到试题向量;
将所述标准向量、所述用户向量及所述试题向量并行输入至预设编码器中,得到所述标准答案的标准特征向量、所述用户答案的用户特征向量及所述待评分试题的试题特征向量;
根据所述标准特征向量对所述用户特征向量进行相似性加权运算,得到所述标准答案的标准交互向量,并根据所述用户特征向量对所述标准特征向量进行相似性加权运算,得到所述用户答案的用户交互向量;
根据所述标准特征向量及所述标准交互向量生成所述标准答案的标准矩阵,并根据所述用户特征向量及所述用户交互向量生成所述用户答案的用户矩阵;
融合所述标准矩阵与所述用户矩阵,得到所述用户答案与所述标准答案的语义相似向量;
将所述试题特征向量与所述用户特征向量进行拼接,得到拼接向量,并提取所述拼接向量的特征,得到语义匹配向量;
将所述语义相似向量及所述语义匹配向量输入至预先训练好的分数预测模型中,得到目标分数。
具体地,所述处理器13对上述计算机可读指令的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
在本发明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。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,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。
所述计算机可读存储介质上存储有计算机可读指令,其中,所述计算机可读指令被处理器13执行时用以实现以下步骤:
获取待评分试题,并获取所述待评分试题的标准答案及用户答案;
对所述标准答案进行预处理,得到标准向量,并对所述用户答案进行预处理,得到用户向量;
根据所述标准向量及所述用户向量计算所述用户答案与所述标准答案的海明距离;
当所述海明距离不为预设值时,对所述待评分试题进行预处理,得到试题向量;
将所述标准向量、所述用户向量及所述试题向量并行输入至预设编码器中,得到所述标准答案的标准特征向量、所述用户答案的用户特征向量及所述待评分试题的试题特征向量;
根据所述标准特征向量对所述用户特征向量进行相似性加权运算,得到所述标准答案的标准交互向量,并根据所述用户特征向量对所述标准特征向量进行相似性加权运算,得到所述用户答案的用户交互向量;
根据所述标准特征向量及所述标准交互向量生成所述标准答案的标准矩阵,并根据所述用户特征向量及所述用户交互向量生成所述用户答案的用户矩阵;
融合所述标准矩阵与所述用户矩阵,得到所述用户答案与所述标准答案的语义相似向量;
将所述试题特征向量与所述用户特征向量进行拼接,得到拼接向量,并提取所述拼接向量的特征,得到语义匹配向量;
将所述语义相似向量及所述语义匹配向量输入至预先训练好的分数预测模型中,得到目标分数。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块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模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块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。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。所述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于人工智能的试题分数确定方法,其特征在于,所述基于人工智能的试题分数确定方法包括:
获取待评分试题,并获取所述待评分试题的标准答案及用户答案;
对所述标准答案进行预处理,得到标准向量,并对所述用户答案进行预处理,得到用户向量;
根据所述标准向量及所述用户向量计算所述用户答案与所述标准答案的海明距离;
当所述海明距离为预设值时,将所述用户答案确定为抄袭所述标准答案;
当所述海明距离不为所述预设值时,对所述待评分试题进行预处理,得到试题向量;
将所述标准向量、所述用户向量及所述试题向量并行输入至预设编码器中,得到所述标准答案的标准特征向量、所述用户答案的用户特征向量及所述待评分试题的试题特征向量;
根据所述标准特征向量对所述用户特征向量进行相似性加权运算,得到所述标准答案的标准交互向量,并根据所述用户特征向量对所述标准特征向量进行相似性加权运算,得到所述用户答案的用户交互向量;
根据所述标准特征向量及所述标准交互向量生成所述标准答案的标准矩阵,并根据所述用户特征向量及所述用户交互向量生成所述用户答案的用户矩阵;
融合所述标准矩阵与所述用户矩阵,得到所述用户答案与所述标准答案的语义相似向量;
将所述试题特征向量与所述用户特征向量进行拼接,得到拼接向量,并提取所述拼接向量的特征,得到语义匹配向量;
将所述语义相似向量及所述语义匹配向量输入至预先训练好的分数预测模型中,得到目标分数。
2.如权利要求1所述的基于人工智能的试题分数确定方法,其特征在于,所述对所述标准答案进行预处理,得到标准向量包括:
对所述标准答案进行清洗,得到答案文本;
根据预设词典对所述答案文本进行切分,得到多个切分路径,及每个切分路径对应的路径分词;
根据所述预设词典中的切分权值计算每个切分路径的切分概率;
将所述切分概率最高的所述切分路径确定为目标路径,并将所述目标路径对应的所述路径分词确定为答案分词;
确定所述答案分词在所述答案文本中的分词位置;
从预设向量表中获取与所述答案分词对应的向量,得到分词向量;
根据所述分词位置拼接所述分词向量,得到所述标准向量。
3.如权利要求1所述的基于人工智能的试题分数确定方法,其特征在于,所述将所述标准向量、所述用户向量及所述试题向量并行输入至预设编码器中,得到所述标准答案的标准特征向量、所述用户答案的用户特征向量及所述待评分试题的试题特征向量包括:
将所述标准向量、所述用户向量及试题向量确定为向量集;
计算所述向量集中每个向量的向量长度;
将取值最大的所述向量长度确定为目标长度,并将与所述目标长度对应的向量确定为目标向量;
将所述向量集中除所述目标向量外的其余向量确定为待处理向量;
根据所述目标长度对所述待处理向量进行向量填充,得到填充后的向量;
对所述目标向量及所述填充后的向量分别进行多头注意力分析,得到与所述目标向量对应的第一输出向量、与所述填充后的向量对应的第二输出向量及第三输出向量;
并行对所述第一输出向量、所述第二输出向量及所述第三输出向量进行标准化处理,得到所述标准特征向量、所述用户特征向量及所述试题特征向量。
4.如权利要求1所述的基于人工智能的试题分数确定方法,其特征在于,所述根据所述用户特征向量对所述标准特征向量进行相似性加权运算,得到所述用户答案的用户交互向量包括:
采用下列公式计算所述用户特征向量中每个第一元素与所述标准特征向量中每个第二元素的相似度:
采用下列公式根据所述相似度对所述标准特征向量进行加权运算,得到所述用户答案的用户交互向量:
5.如权利要求1所述的基于人工智能的试题分数确定方法,其特征在于,所述根据所述标准特征向量及所述标准交互向量生成所述标准答案的标准矩阵包括:
将所述标准特征向量与所述标准交互向量进行对位相减运算,得到差值向量;
将所述标准特征向量与所述标准交互向量进行对位相乘运算,得到乘积向量;
拼接所述标准特征向量、所述标准交互向量、所述差值向量及所述乘积向量,得到所述标准矩阵。
6.如权利要求1所述的基于人工智能的试题分数确定方法,其特征在于,所述融合所述标准矩阵与所述用户矩阵,得到所述用户答案与所述标准答案的语义相似向量包括:
计算所述标准矩阵中每个列向量的平均值,得到第一编码向量;
计算所述用户矩阵中每个列向量的平均值,得到第二编码向量;
拼接所述第二编码向量及所述第一编码向量,得到目标编码向量;
将所述目标编码向量输入至所述预设编码器中,得到所述语义相似向量。
7.如权利要求1所述的基于人工智能的试题分数确定方法,其特征在于,所述提取所述拼接向量的特征,得到语义匹配向量包括:
基于多个预设矩阵分别乘以所述拼接向量,得到多个语义矩阵;
从所述多个语义矩阵中提取矩阵对及目标矩阵,所述矩阵对包括所述多个语义矩阵中的任意两个矩阵;
根据所述矩阵对计算所述拼接向量中每个拼接元素的重要度;
根据所述重要度及所述目标矩阵生成所述拼接向量的迭代向量,并将所述迭代向量确定为下一次迭代处理的拼接向量,直至迭代次数为配置次数,得到所述语义匹配向量。
8.一种基于人工智能的试题分数确定装置,其特征在于,所述基于人工智能的试题分数确定装置包括:
获取单元,用于获取待评分试题,并获取所述待评分试题的标准答案及用户答案;
预处理单元,用于对所述标准答案进行预处理,得到标准向量,并对所述用户答案进行预处理,得到用户向量;
计算单元,用于根据所述标准向量及所述用户向量计算所述用户答案与所述标准答案的海明距离;
所述预处理单元,还用于当所述海明距离为预设值时,将所述用户答案确定为抄袭所述标准答案;
所述预处理单元,还用于当所述海明距离不为所述预设值时,对所述待评分试题进行预处理,得到试题向量;
输入单元,用于将所述标准向量、所述用户向量及所述试题向量并行输入至预设编码器中,得到所述标准答案的标准特征向量、所述用户答案的用户特征向量及所述待评分试题的试题特征向量;
运算单元,用于根据所述标准特征向量对所述用户特征向量进行相似性加权运算,得到所述标准答案的标准交互向量,并根据所述用户特征向量对所述标准特征向量进行相似性加权运算,得到所述用户答案的用户交互向量;
生成单元,用于根据所述标准特征向量及所述标准交互向量生成所述标准答案的标准矩阵,并根据所述用户特征向量及所述用户交互向量生成所述用户答案的用户矩阵;
融合单元,用于融合所述标准矩阵与所述用户矩阵,得到所述用户答案与所述标准答案的语义相似向量;
拼接单元,用于将所述试题特征向量与所述用户特征向量进行拼接,得到拼接向量,并提取所述拼接向量的特征,得到语义匹配向量;
所述输入单元,还用于将所述语义相似向量及所述语义匹配向量输入至预先训练好的分数预测模型中,得到目标分数。
9.一种电子设备,其特征在于,所述电子设备包括:
存储器,存储有计算机可读指令;及
处理器,执行所述存储器中存储的计算机可读指令以实现如权利要求1至7中任意一项所述的基于人工智能的试题分数确定方法。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中存储有计算机可读指令,所述计算机可读指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的基于人工智能的试题分数确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110524057.1A CN112989826B (zh) | 2021-05-13 | 2021-05-13 | 基于人工智能的试题分数确定方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110524057.1A CN112989826B (zh) | 2021-05-13 | 2021-05-13 | 基于人工智能的试题分数确定方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112989826A CN112989826A (zh) | 2021-06-18 |
CN112989826B true CN112989826B (zh) | 2021-07-20 |
Family
ID=76337654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110524057.1A Active CN112989826B (zh) | 2021-05-13 | 2021-05-13 | 基于人工智能的试题分数确定方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112989826B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113821619A (zh) * | 2021-08-31 | 2021-12-21 | 前海人寿保险股份有限公司 | 培训方法、装置、系统与计算机可读存储介质 |
CN114783085A (zh) * | 2022-03-21 | 2022-07-22 | 南京信息工程大学 | 一种基于人脸识别的新型共享单车 |
CN114818960A (zh) * | 2022-05-10 | 2022-07-29 | 平安科技(深圳)有限公司 | 训练数据生成方法、装置、设备及存储介质 |
CN114882504B (zh) * | 2022-07-06 | 2022-11-11 | 成都西交智汇大数据科技有限公司 | 一种评分方法、装置、设备及可读存储介质 |
CN115858765B (zh) * | 2023-01-08 | 2023-05-09 | 山东谷联网络技术有限公司 | 一种基于数据对比分析的自动评分的智能考试平台 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10740678B2 (en) * | 2016-03-31 | 2020-08-11 | International Business Machines Corporation | Concept hierarchies |
CN112446591A (zh) * | 2020-11-06 | 2021-03-05 | 太原科技大学 | 一种用于学生综合能力评价的评价体系及零样本评价方法 |
-
2021
- 2021-05-13 CN CN202110524057.1A patent/CN112989826B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10740678B2 (en) * | 2016-03-31 | 2020-08-11 | International Business Machines Corporation | Concept hierarchies |
CN112446591A (zh) * | 2020-11-06 | 2021-03-05 | 太原科技大学 | 一种用于学生综合能力评价的评价体系及零样本评价方法 |
Non-Patent Citations (2)
Title |
---|
Text Classification for Subjective Scoring Using K-Nearest Neighbors;Kittakorn Sriwanna;《The 3rd International Conference on Digital Arts, Media and Technology (ICDAMT2018)》;20180225;第139-142页 * |
两级相似度计算在主观题机器阅卷中的应用;秦学勇 等;《计算机工程》;20120615;第38卷(第11期);第274-276页,第280页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112989826A (zh) | 2021-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112989826B (zh) | 基于人工智能的试题分数确定方法、装置、设备及介质 | |
CN112417096B (zh) | 问答对匹配方法、装置、电子设备及存储介质 | |
CN111694826B (zh) | 基于人工智能的数据增强方法、装置、电子设备及介质 | |
CN113032528B (zh) | 案件分析方法、装置、设备及存储介质 | |
CN113656547B (zh) | 文本匹配方法、装置、设备及存储介质 | |
CN113408268B (zh) | 槽位填充方法、装置、设备及存储介质 | |
CN113449725B (zh) | 对象分类方法、装置、设备及存储介质 | |
CN113408278B (zh) | 意图识别方法、装置、设备及存储介质 | |
CN113094478B (zh) | 表情回复方法、装置、设备及存储介质 | |
CN113064973A (zh) | 文本分类方法、装置、设备及存储介质 | |
CN113870395A (zh) | 动画视频生成方法、装置、设备及存储介质 | |
CN113435196B (zh) | 意图识别方法、装置、设备及存储介质 | |
CN114037545A (zh) | 客户推荐方法、装置、设备及存储介质 | |
CN113705468A (zh) | 基于人工智能的数字图像识别方法及相关设备 | |
CN113283389A (zh) | 手写文字质量检测方法、装置、设备及存储介质 | |
CN113420143B (zh) | 文书摘要生成方法、装置、设备及存储介质 | |
CN112949305B (zh) | 负反馈信息采集方法、装置、设备及存储介质 | |
CN113420545B (zh) | 摘要生成方法、装置、设备及存储介质 | |
CN116628161A (zh) | 答案生成方法、装置、设备及存储介质 | |
CN113627186B (zh) | 基于人工智能的实体关系检测方法及相关设备 | |
CN113342977B (zh) | 发票图像分类方法、装置、设备及存储介质 | |
CN113486680B (zh) | 文本翻译方法、装置、设备及存储介质 | |
CN113326365A (zh) | 回复语句生成方法、装置、设备及存储介质 | |
CN113516205A (zh) | 基于人工智能的数据分类方法、装置、设备及存储介质 | |
CN113343700A (zh) | 数据处理方法、装置、设备及存储介质 |
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 |