CN114048327A - 一种基于知识图谱的主观题自动评分方法及系统 - Google Patents

一种基于知识图谱的主观题自动评分方法及系统 Download PDF

Info

Publication number
CN114048327A
CN114048327A CN202111344967.8A CN202111344967A CN114048327A CN 114048327 A CN114048327 A CN 114048327A CN 202111344967 A CN202111344967 A CN 202111344967A CN 114048327 A CN114048327 A CN 114048327A
Authority
CN
China
Prior art keywords
score
knowledge
answers
triple
student
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
CN202111344967.8A
Other languages
English (en)
Inventor
谢波
陈龙
姜波
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.)
Zhejiang Gongshang University
Original Assignee
Zhejiang Gongshang University
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 Zhejiang Gongshang University filed Critical Zhejiang Gongshang University
Priority to CN202111344967.8A priority Critical patent/CN114048327A/zh
Publication of CN114048327A publication Critical patent/CN114048327A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Animal Behavior & Ethology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于知识图谱的主观题自动评分方法及系统，首先利用三元组抽取组件分别对主观题的学生答案和标准答案抽取知识三元组后进行匹配，然后将学生答案中匹配成功的三元组输入训练好的知识图嵌入模型，输出每个匹配成功的三元组的相似度分值，最后依据得分规则确定三元组得分序列中每个得分点的分值，获得主观题学生答案的总分值，且训练好的知识图嵌入模型根据学生所在专业领域的知识图谱库训练得到，而非采用通用型公开知识图谱使得系统在专业性的检测和评分上更为精准，进而实现了主观题的准确自动评分。

Description

一种基于知识图谱的主观题自动评分方法及系统
技术领域
本发明涉及深度学习技术领域，特别是涉及一种基于知识图谱的主观题自动评分方法及系统。
背景技术
在劳动力成本越来越高的当下，传统人工阅卷方法已无法满足现代社会需要，社会对自动阅卷需求日趋强烈。目前，客观题的自动阅卷技术已非常成熟并得到普遍应用，然而由于汉语的复杂性、自然语言处理技术实现难度较大，主观题阅卷还是有许多不足，如没有考虑语义、语序等问题对评分精度的影响。
目前关于自动阅卷系统的技术方法主要包括：基于规则及模板的方法和基于传统机器学习的方法。基于规则和模版的方法依赖于人工设计的特征和模板，训练出的模型不具有泛化性。在基于传统机器学习的方法中，一般需要人工定义特征，使用回归、分类或两者相结合的方式，得到一个分数。
发明内容
本发明的目的是提供一种基于知识图谱的主观题自动评分方法及系统，以实现主观题的准确自动评分。
为实现上述目的，本发明提供了如下方案：
一种基于知识图谱的主观题自动评分方法，所述方法包括：
利用三元组抽取组件分别对主观题的学生答案和标准答案抽取知识三元组，获得学生答案的多个三元组和标准答案的多个三元组；
匹配学生答案的多个三元组和标准答案的多个三元组，获得学生答案中匹配成功的三元组；
将学生答案中匹配成功的三元组输入训练好的知识图嵌入模型，输出每个匹配成功的三元组的相似度分值，并将每个匹配成功的三元组和对应的相似度分值构成三元组得分序列；所述训练好的知识图嵌入模型为根据学生所在专业领域的知识图谱库训练得到；
依据得分规则确定三元组得分序列中每个得分点的分值，获得主观题学生答案的总分值。
可选的，所述利用三元组抽取组件分别对主观题的学生答案和标准答案抽取知识三元组，获得学生答案的多个三元组和标准答案的多个三元组，之前还包括：
利用开放域知识抽取工具对学生所在专业领域的历史数据进行知识三元组样本的抽取，构成知识图谱库；所述历史数据包括学生所在专业课程的考试教程、考题相关知识点和历届期末考试试卷；
利用所述知识图谱库训练TransE模型，获得训练好的知识图嵌入模型。
可选的，所述利用开放域知识抽取工具对学生所在专业领域的历史数据进行知识三元组样本的抽取，构成知识图谱库，具体包括：
利用开放域知识抽取工具对学生所在专业领域的历史数据进行知识三元组样本的抽取，获得多个三元组样本；
将多个三元组样本添加至CSV文件，构成知识图谱库。
可选的，所述利用三元组抽取组件分别对主观题的学生答案和标准答案抽取知识三元组，获得学生答案的多个三元组和标准答案的多个三元组，之后还包括：
将标准答案的多个三元组添加至知识图谱库。
可选的，所述依据得分规则确定三元组得分序列中每个得分点的分值，获得主观题学生答案的总分值，具体包括：
将每个得分点与三元组得分序列中每个元素的三元组进行匹配，确定每个得分点的多个匹配元素；
根据每个得分点的分值和每个得分点的多个匹配元素的相似度分值，利用公式
Figure BDA0003353682600000021
确定学生答案在每个得分点的得分；其中，fi为学生答案在第i个得分点的得分，Sj为第i个得分点的第j个匹配元素的相似度分值，Fi为第i个得分点的分值，J为第i个得分点的匹配元素的总数量；
将学生答案在每个得分点的得分求和，获得主观题学生答案的总分值。
一种基于知识图谱的主观题自动评分系统，所述系统包括：
三元组抽取模块，用于利用三元组抽取组件分别对主观题的学生答案和标准答案抽取知识三元组，获得学生答案的多个三元组和标准答案的多个三元组；
三元组匹配模块，用于匹配学生答案的多个三元组和标准答案的多个三元组，获得学生答案中匹配成功的三元组；
三元组得分序列构成模块，用于将学生答案中匹配成功的三元组输入训练好的知识图嵌入模型，输出每个匹配成功的三元组的相似度分值，并将每个匹配成功的三元组和对应的相似度分值构成三元组得分序列；所述训练好的知识图嵌入模型为根据学生所在专业领域的知识图谱库训练得到；
总分值获得模块，用于依据得分规则确定三元组得分序列中每个得分点的分值，获得主观题学生答案的总分值。
可选的，所述系统还包括：
知识图谱库构成模块，用于利用开放域知识抽取工具对学生所在专业领域的历史数据进行知识三元组样本的抽取，构成知识图谱库；所述历史数据包括学生所在专业课程的考试教程、考题相关知识点和历届期末考试试卷；
训练模块，用于利用所述知识图谱库训练TransE模型，获得训练好的知识图嵌入模型。
可选的，所述知识图谱库构成模块，具体包括：
三元组样本获得子模块，用于利用开放域知识抽取工具对学生所在专业领域的历史数据进行知识三元组样本的抽取，获得多个三元组样本；
知识图谱库构成子模块，用于将多个三元组样本添加至CSV文件，构成知识图谱库。
可选的，所述系统还包括：
更新模块，用于将标准答案的多个三元组添加至知识图谱库。
可选的，所述总分值获得模块，具体包括：
匹配元素确定子模块，用于将每个得分点与三元组得分序列中每个元素的三元组进行匹配，确定每个得分点的多个匹配元素；
得分点得分确定子模块，用于根据每个得分点的分值和每个得分点的多个匹配元素的相似度分值，利用公式
Figure BDA0003353682600000041
确定学生答案在每个得分点的得分；其中，fi为学生答案在第i个得分点的得分，Sj为第i个得分点的第j个匹配元素的相似度分值，Fi为第i个得分点的分值，J为第i个得分点的匹配元素的总数量；
总分值获得子模块，用于将学生答案在每个得分点的得分求和，获得主观题学生答案的总分值。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开一种基于知识图谱的主观题自动评分方法及系统，首先利用三元组抽取组件分别对主观题的学生答案和标准答案抽取知识三元组后进行匹配，然后将学生答案中匹配成功的三元组输入训练好的知识图嵌入模型，输出每个匹配成功的三元组的相似度分值，最后依据得分规则确定三元组得分序列中每个得分点的分值，获得主观题学生答案的总分值，且训练好的知识图嵌入模型根据学生所在专业领域的知识图谱库训练得到，而非采用通用型公开知识图谱使得系统在专业性的检测和评分上更为精准，进而实现了主观题的准确自动评分。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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为本发明提供的基于知识图谱的主观题自动评分方法的流程图；
图2为本发明提供的基于知识图谱的主观题自动评分方法的原理图；
图3为本发明提供的知识图嵌入模型训练过程示意图。
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，所描述的实施例仅仅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做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。
本发明的目的是提供一种基于知识图谱的主观题自动评分方法及系统，以实现主观题的准确自动评分。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明提供了一种基于知识图谱的主观题自动评分方法，如图1-2所示，方法包括：
步骤101，利用三元组抽取组件分别对主观题的学生答案和标准答案抽取知识三元组，获得学生答案的多个三元组和标准答案的多个三元组。
对于一个需要打分的学生答案和标准答案，分别利用三元组抽取组件进行关系抽取，得到两组包含头实体、关系以及尾实体的三元组。
步骤102，匹配学生答案的多个三元组和标准答案的多个三元组，获得学生答案中匹配成功的三元组。
比较真实答案和学生答案的三元组，将学生答案中不为真实答案子元素的三元组进行过滤，即将学生答案中的每个三元组与标准答案中的所有三元组进行匹配，如果有匹配成功的实体对和关系则保留，对其余匹配失败的三元组进行过滤。
步骤103，将学生答案中匹配成功的三元组输入训练好的知识图嵌入模型，输出每个匹配成功的三元组的相似度分值，并将每个匹配成功的三元组和对应的相似度分值构成三元组得分序列；训练好的知识图嵌入模型为根据学生所在专业领域的知识图谱库训练得到。
将过滤后的三元组作为输入，利用训练而成的TransE模型进行三元组打分，为每个三元组生成一个分数，该分数与对应的三元组形成一个三元组得分序列。
步骤104，依据得分规则确定三元组得分序列中每个得分点的分值，获得主观题学生答案的总分值。
具体包括：
将每个得分点与三元组得分序列中每个元素的三元组进行匹配，确定每个得分点的多个匹配元素；
根据每个得分点的分值和每个得分点的多个匹配元素的相似度分值，利用公式
Figure BDA0003353682600000061
确定学生答案在每个得分点的得分；其中，fi为学生答案在第i个得分点的得分，Sj为第i个得分点的第j个匹配元素的相似度分值，Fi为第i个得分点的分值，J为第i个得分点的匹配元素的总数量；
将学生答案在每个得分点的得分求和，获得主观题学生答案的总分值。
在步骤101之前还需要获取训练好的知识图嵌入模型，参照图3，获得过程为：
步骤1：利用开放域知识抽取工具对学生所在专业领域的历史数据进行知识三元组样本的抽取，构成知识图谱库；历史数据包括学生所在专业课程的考试教程、考题相关知识点和历届期末考试试卷。
对不同专业(在此以物流专业为例)课程的考试教程、针对考题相关知识点、历届期末考试试卷的历史数据中，利用OpenIE(开放域知识抽取工具)组件抽取知识三元组，将历史数据的文本信息作为输入，将抽取得到的三元组添加到CSV文件中，每行都包含head、tail、relation的格式，并将CSV文件命名为triples.csv，从而形成我们自己的知识图谱库。
步骤2：利用知识图谱库训练TransE模型，获得训练好的知识图嵌入模型。
利用步骤1中形成的知识图谱训练TransE模型(知识图谱嵌入模型)，模型生成组件基于步骤一中的triples.csv文件。然后该组件生成四个文件:entity2id.txt，relation2id.txt，train2id.txt和type_constrain.txt。
entity2id.txt：此文件包含triples.csv文件中所有实体，以及与实体相对应的ID；
relation2id.txt：此文件包含triples.csv文件中所有关系，以及与关系相对应的ID；
train2id.txt：此文件包含triples.csv中所有三元组的列表。train2id.txt每个三元组由一组头实体ID、关系ID以及尾实体ID表示，它们与entity2id.txt中的实体ID、relation2id.txt中的关系ID相匹配；
type_constrain.txt：此文件包含每个关系的类型约束。这意味着对于每个实体、所有头实体和所有尾实体都被指定。
模型生成组件使用OpenKE，OpenKE将上述三个文件作为输入，生成一个基于TransE的嵌入模型。
本发明采用基于物流专业自动构建知识图谱而非采用通用型公开知识图谱使得系统在专业性的检测和评分上更为精准。
在主观题的打分过程中，将标准答案的多个三元组添加至知识图谱库，使得构建的知识图谱可以不断自我成长和完善。
知识抽取系统可分为两类：封闭信息提取和开放信息提取。第一种方法需要预定义模板，用于提取信息，通常用于特定领域和情况。另一方面，开放信息提取不用于查找特定领域中的关系。本发明采用OpenIE作为开放信息抽取组件，使系统可以在没有预先指定词汇表的情况下提取看不见的关系事实。
TransE作为知识图嵌入模型的优点在于，它比其他更复杂的嵌入模型具有更低的计算成本和良好的性能。
本发明根据基于不同领域(如物流专业、经济管理专业等)的考点及历史数据，构建可不断增长的知识图谱，将其训练转换成知识嵌入模型，利用该模型对不同的专业领域的主观题进行自动评分的方法。
本发明还提供了一种基于知识图谱的主观题自动评分系统，系统包括：
三元组抽取模块，用于利用三元组抽取组件分别对主观题的学生答案和标准答案抽取知识三元组，获得学生答案的多个三元组和标准答案的多个三元组；
三元组匹配模块，用于匹配学生答案的多个三元组和标准答案的多个三元组，获得学生答案中匹配成功的三元组；
三元组得分序列构成模块，用于将学生答案中匹配成功的三元组输入训练好的知识图嵌入模型，输出每个匹配成功的三元组的相似度分值，并将每个匹配成功的三元组和对应的相似度分值构成三元组得分序列；训练好的知识图嵌入模型为根据学生所在专业领域的知识图谱库训练得到；
总分值获得模块，用于依据得分规则确定三元组得分序列中每个得分点的分值，获得主观题学生答案的总分值。
系统还包括：
知识图谱库构成模块，用于利用开放域知识抽取工具对学生所在专业领域的历史数据进行知识三元组样本的抽取，构成知识图谱库；历史数据包括学生所在专业课程的考试教程、考题相关知识点和历届期末考试试卷；
训练模块，用于利用知识图谱库训练TransE模型，获得训练好的知识图嵌入模型。
知识图谱库构成模块，具体包括：
三元组样本获得子模块，用于利用开放域知识抽取工具对学生所在专业领域的历史数据进行知识三元组样本的抽取，获得多个三元组样本；
知识图谱库构成子模块，用于将多个三元组样本添加至CSV文件，构成知识图谱库。
系统还包括：
更新模块，用于将标准答案的多个三元组添加至知识图谱库。
总分值获得模块，具体包括：
匹配元素确定子模块，用于将每个得分点与三元组得分序列中每个元素的三元组进行匹配，确定每个得分点的多个匹配元素；
得分点得分确定子模块，用于根据每个得分点的分值和每个得分点的多个匹配元素的相似度分值，利用公式
Figure BDA0003353682600000081
确定学生答案在每个得分点的得分；其中，fi为学生答案在第i个得分点的得分，Sj为第i个得分点的第j个匹配元素的相似度分值，Fi为第i个得分点的分值，J为第i个得分点的匹配元素的总数量；
总分值获得子模块，用于将学生答案在每个得分点的得分求和，获得主观题学生答案的总分值。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于知识图谱的主观题自动评分方法，其特征在于，所述方法包括：
利用三元组抽取组件分别对主观题的学生答案和标准答案抽取知识三元组，获得学生答案的多个三元组和标准答案的多个三元组；
匹配学生答案的多个三元组和标准答案的多个三元组，获得学生答案中匹配成功的三元组；
将学生答案中匹配成功的三元组输入训练好的知识图嵌入模型，输出每个匹配成功的三元组的相似度分值，并将每个匹配成功的三元组和对应的相似度分值构成三元组得分序列；所述训练好的知识图嵌入模型为根据学生所在专业领域的知识图谱库训练得到；
依据得分规则确定三元组得分序列中每个得分点的分值，获得主观题学生答案的总分值。
2.根据权利要求1所述的基于知识图谱的主观题自动评分方法，其特征在于，所述利用三元组抽取组件分别对主观题的学生答案和标准答案抽取知识三元组，获得学生答案的多个三元组和标准答案的多个三元组，之前还包括：
利用开放域知识抽取工具对学生所在专业领域的历史数据进行知识三元组样本的抽取，构成知识图谱库；所述历史数据包括学生所在专业课程的考试教程、考题相关知识点和历届期末考试试卷；
利用所述知识图谱库训练TransE模型，获得训练好的知识图嵌入模型。
3.根据权利要求2所述的基于知识图谱的主观题自动评分方法，其特征在于，所述利用开放域知识抽取工具对学生所在专业领域的历史数据进行知识三元组样本的抽取，构成知识图谱库，具体包括：
利用开放域知识抽取工具对学生所在专业领域的历史数据进行知识三元组样本的抽取，获得多个三元组样本；
将多个三元组样本添加至CSV文件，构成知识图谱库。
4.根据权利要求2所述的基于知识图谱的主观题自动评分方法，其特征在于，所述利用三元组抽取组件分别对主观题的学生答案和标准答案抽取知识三元组，获得学生答案的多个三元组和标准答案的多个三元组，之后还包括：
将标准答案的多个三元组添加至知识图谱库。
5.根据权利要求1所述的基于知识图谱的主观题自动评分方法，其特征在于，所述依据得分规则确定三元组得分序列中每个得分点的分值，获得主观题学生答案的总分值，具体包括：
将每个得分点与三元组得分序列中每个元素的三元组进行匹配，确定每个得分点的多个匹配元素；
根据每个得分点的分值和每个得分点的多个匹配元素的相似度分值，利用公式
Figure FDA0003353682590000021
确定学生答案在每个得分点的得分；其中，fi为学生答案在第i个得分点的得分，Sj为第i个得分点的第j个匹配元素的相似度分值，Fi为第i个得分点的分值，J为第i个得分点的匹配元素的总数量；
将学生答案在每个得分点的得分求和，获得主观题学生答案的总分值。
6.一种基于知识图谱的主观题自动评分系统，其特征在于，所述系统包括：
三元组抽取模块，用于利用三元组抽取组件分别对主观题的学生答案和标准答案抽取知识三元组，获得学生答案的多个三元组和标准答案的多个三元组；
三元组匹配模块，用于匹配学生答案的多个三元组和标准答案的多个三元组，获得学生答案中匹配成功的三元组；
三元组得分序列构成模块，用于将学生答案中匹配成功的三元组输入训练好的知识图嵌入模型，输出每个匹配成功的三元组的相似度分值，并将每个匹配成功的三元组和对应的相似度分值构成三元组得分序列；所述训练好的知识图嵌入模型为根据学生所在专业领域的知识图谱库训练得到；
总分值获得模块，用于依据得分规则确定三元组得分序列中每个得分点的分值，获得主观题学生答案的总分值。
7.根据权利要求6所述的基于知识图谱的主观题自动评分系统，其特征在于，所述系统还包括：
知识图谱库构成模块，用于利用开放域知识抽取工具对学生所在专业领域的历史数据进行知识三元组样本的抽取，构成知识图谱库；所述历史数据包括学生所在专业课程的考试教程、考题相关知识点和历届期末考试试卷；
训练模块，用于利用所述知识图谱库训练TransE模型，获得训练好的知识图嵌入模型。
8.根据权利要求7所述的基于知识图谱的主观题自动评分系统，其特征在于，所述知识图谱库构成模块，具体包括：
三元组样本获得子模块，用于利用开放域知识抽取工具对学生所在专业领域的历史数据进行知识三元组样本的抽取，获得多个三元组样本；
知识图谱库构成子模块，用于将多个三元组样本添加至CSV文件，构成知识图谱库。
9.根据权利要求7所述的基于知识图谱的主观题自动评分系统，其特征在于，所述系统还包括：
更新模块，用于将标准答案的多个三元组添加至知识图谱库。
10.根据权利要求6所述的基于知识图谱的主观题自动评分系统，其特征在于，所述总分值获得模块，具体包括：
匹配元素确定子模块，用于将每个得分点与三元组得分序列中每个元素的三元组进行匹配，确定每个得分点的多个匹配元素；
得分点得分确定子模块，用于根据每个得分点的分值和每个得分点的多个匹配元素的相似度分值，利用公式
Figure FDA0003353682590000031
确定学生答案在每个得分点的得分；其中，fi为学生答案在第i个得分点的得分，Sj为第i个得分点的第j个匹配元素的相似度分值，Fi为第i个得分点的分值，J为第i个得分点的匹配元素的总数量；
总分值获得子模块，用于将学生答案在每个得分点的得分求和，获得主观题学生答案的总分值。
CN202111344967.8A 2021-11-15 2021-11-15 一种基于知识图谱的主观题自动评分方法及系统 Pending CN114048327A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111344967.8A CN114048327A (zh) 2021-11-15 2021-11-15 一种基于知识图谱的主观题自动评分方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111344967.8A CN114048327A (zh) 2021-11-15 2021-11-15 一种基于知识图谱的主观题自动评分方法及系统

Publications (1)

Publication Number Publication Date
CN114048327A true CN114048327A (zh) 2022-02-15

Family

ID=80208785

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111344967.8A Pending CN114048327A (zh) 2021-11-15 2021-11-15 一种基于知识图谱的主观题自动评分方法及系统

Country Status (1)

Country Link
CN (1) CN114048327A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115438152A (zh) * 2022-09-14 2022-12-06 北方工业大学 一种基于多神经网络与知识图谱的简答题评分方法及系统
CN115774996A (zh) * 2022-12-05 2023-03-10 英仕互联(北京)信息技术有限公司 智能面试的追问题目生成方法、装置和电子设备
CN117034954A (zh) * 2023-10-09 2023-11-10 华南师范大学 文本评分方法、装置、设备以及存储介质
CN118410175A (zh) * 2024-04-11 2024-07-30 北京无限互联科技发展有限公司 基于大语言模型和知识图谱智能制造能力诊断方法及装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115438152A (zh) * 2022-09-14 2022-12-06 北方工业大学 一种基于多神经网络与知识图谱的简答题评分方法及系统
CN115438152B (zh) * 2022-09-14 2023-04-07 北方工业大学 一种基于多神经网络与知识图谱的简答题评分方法及系统
CN115774996A (zh) * 2022-12-05 2023-03-10 英仕互联(北京)信息技术有限公司 智能面试的追问题目生成方法、装置和电子设备
CN117034954A (zh) * 2023-10-09 2023-11-10 华南师范大学 文本评分方法、装置、设备以及存储介质
CN117034954B (zh) * 2023-10-09 2024-02-06 华南师范大学 文本评分方法、装置、设备以及存储介质
CN118410175A (zh) * 2024-04-11 2024-07-30 北京无限互联科技发展有限公司 基于大语言模型和知识图谱智能制造能力诊断方法及装置

Similar Documents

Publication Publication Date Title
CN110795543B (zh) 基于深度学习的非结构化数据抽取方法、装置及存储介质
CN109446331B (zh) 一种文本情绪分类模型建立方法及文本情绪分类方法
CN114048327A (zh) 一种基于知识图谱的主观题自动评分方法及系统
CN102262634B (zh) 一种自动问答方法及系统
CN106503055B (zh) 一种从结构化文本到图像描述的生成方法
CN108121702B (zh) 数学主观题评阅方法及系统
CN107436864A (zh) 一种基于Word2Vec的中文问答语义相似度计算方法
CN109388700A (zh) 一种意图识别方法及系统
CN114913729B (zh) 一种选题方法、装置、计算机设备和存储介质
CN108052504B (zh) 数学主观题解答结果的结构分析方法及系统
CN109949799B (zh) 一种语义解析方法及系统
CN107545791A (zh) 一种利用课件自动生成课堂教学知识图谱的系统和方法
CN111159356B (zh) 基于教学内容的知识图谱构建方法
CN111681143A (zh) 基于课堂语音的多维度分析方法、装置、设备及存储介质
CN111984790B (zh) 一种实体关系抽取方法
Ortiz-Zambranoa et al. Overview of alexs 2020: First workshop on lexical analysis at sepln
CN115599899A (zh) 基于飞行器知识图谱的智能问答方法、系统、设备及介质
Agarwal et al. Autoeval: A nlp approach for automatic test evaluation system
Mat Hussin et al. Organisation and Move Structure in the Results and Discussion Chapter in Malaysian Undergraduates' Final-Year Projects.
CN111104455A (zh) 多源多维的学校教学横向信息差异比对分析方法
CN112052686B (zh) 一种用户交互式教育的语音学习资源推送方法
CN114330318A (zh) 一种金融领域中文细粒度实体识别方法及装置
CN112989784A (zh) 基于孪生神经网络的文本自动评分方法、装置及电子设备
CN110390032B (zh) 一种手写作文的批阅方法及系统
CN114579706B (zh) 一种基于bert神经网络和多任务学习的主观题自动评阅方法

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