CN116090437A - 完型填空题目的处理方法、装置、设备及存储介质 - Google Patents

Abstract

本公开提出了一种完型填空题目的处理方法、装置、设备及存储介质，涉及计算机技术领域，具体实现方案为：获取待处理的完型填空题目及题目对应的M个候选答案，其中完型填空题目中包含N个空白处；将M个候选答案中的多组N个候选答案，分别填入N个空白处，以获得多个待校验的题目；将每个题目输入预设的网络模型，以确定每个题目对应的得分向量；根据多个得分向量，确定每个空白处对应的最优答案；在N个空白处分别对应的最优答案均不相同的情况下，将N个空白处分别对应的最优答案，确定为题目对应的目标答案。由此，不仅可以结合语义对答案进行预测，而且考虑了各个答案之间的关联性，从而提高了对该类完型填空题目处理的准确性和可靠性。

Description

完型填空题目的处理方法、装置、设备及存储介质

技术领域

本公开涉及计算机技术领域，尤其涉及一种完型填空题目的处理方法、装置、设备及存储介质。

背景技术

完型填空是试题中常见的一种题型，它是由出题者在一篇语义连贯的文章中有目的地去掉一些内容，形成空格，要求在给出的对应的备选答案中，选出一个正确的或最佳的答案，使文章恢复完整。

相关技术中，通常将每个空格视为一个子题目，之后通过比较题干和选项间的相似性，进而选择概率最大的答案。然而，若完型填空题中，各个空格从共同的候选答案集中选择答案时，若仍按照上述方式处理，就忽略了内容的连续性，效果不佳。因而，如何有效的对完型填空题目进行处理，以获得准确的答案，是当前亟需解决的问题。

发明内容

本公开提供了一种完型填空题目的处理方法、装置、设备以及存储介质。

根据本公开的一方面，提供了一种完型填空题目的处理方法，包括：

获取待处理的完型填空题目及所述题目对应的M个候选答案，其中所述完型填空题目中包含N个空白处，M为大于或等于N的正整数；

将所述M个候选答案中的多组N个候选答案，分别填入所述N个空白处，以获得多个待校验的题目；

将每个所述待校验的题目输入预设的网络模型，以确定每个所述待校验的题目对应的得分向量，其中，所述得分向量中包括所述N个空白处分别与当前填入答案的匹配度；

根据多个所述得分向量，确定每个所述空白处对应的最优答案；

在所述N个空白处分别对应的最优答案均不相同的情况下，将所述N个空白处分别对应的最优答案，确定为所述题目对应的目标答案。

根据本公开的另一方面，提供了一种完型填空题目的处理装置，包括：

第一获取模块，用于获取待处理的完型填空题目及所述题目对应的M个候选答案，其中所述完型填空题目中包含N个空白处，M为大于或等于N的正整数；

第二获取模块，用于将所述M个候选答案中的多组N个候选答案，分别填入所述N个空白处，以获得多个待校验的题目；

第一确定模块，用于将每个所述待校验的题目输入预设的网络模型，以确定每个所述待校验的题目对应的得分向量，其中，所述得分向量中包括所述N个空白处分别与当前填入答案的匹配度；

第二确定模块，用于根据多个所述得分向量，确定每个所述空白处对应的最优答案；

第三确定模块，用于在所述N个空白处分别对应的最优答案均不相同的情况下，将所述N个空白处分别对应的最优答案，确定为所述题目对应的目标答案。

本公开第三方面实施例提出了一种计算机设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如本申请第一方面实施例提出的方法。

本公开第四方面实施例提出了一种非临时性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如本申请第一方面实施例提出的方法。

本公开第五方面实施例提出了一种计算机程序产品，当所述计算机程序产品中的指令处理器执行时，执行本公开第一方面实施例提出的方法。

本公开实施例中，首先获取待处理的完型填空题目及题目对应的M个候选答案，其中完型填空题目中包含N个空白处，M为大于或等于N的正整数，然后将M个候选答案中的多组N个候选答案，分别填入N个空白处，以获得多个待校验的题目，将每个待校验的题目输入预设的网络模型，以确定每个待校验的题目对应的得分向量，其中，得分向量中包括N个空白处分别与当前填入答案的匹配度，之后根据多个得分向量，确定每个空白处对应的最优答案，最后在N个空白处分别对应的最优答案均不相同的情况下，将N个空白处分别对应的最优答案，确定为题目对应的目标答案。由此，在对共用候选答案的完型填空题进行处理时，通过将各种组合的候选答案分别填入空白处，以生成待校验的题目，进而根据模型对各个待校验题目预测的得分向量，确定各个空白处对应的最优答案，从而使得答案的预测过程，不仅可以结合语义对答案进行预测，而且考虑了各个答案之间的关联性，从而提高了对该类完型填空题目处理的准确性和可靠性。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1为本公开一实施例所提供的一种完型填空题目的处理方法的流程示意图；

图2为本公开一实施例所提供的另一种完型填空题目的处理方法的流程示意图；

图3为本公开一实施例所提供的又一种完型填空题目的处理方法的流程示意图；

图4为本公开一实施例所提供的完型填空题目的处理装置的结构框图；

图5是用来实现本公开实施例的完型填空题目的处理方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

本公开提供的一种完型填空题目的处理方法，该方法可以由本公开提供的一种完型填空题目的处理装置执行，也可以由本公开提供的电子设备执行，其中，电子设备可以为终端设备，比如用户设备、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理、手持设备、计算设备、车载设备、可穿戴设备等，在此不进行限定，也可以是服务器。

下面结合参考附图对本公开提供的完型填空题目的处理方法、装置、计算机设备及存储介质进行详细描述。

图1是根据本公开一实施例的一种完型填空题目的处理方法的流程示意图。

如图1所示，该完型填空题目的处理方法可以包括以下步骤：

步骤101，获取待处理的完型填空题目及题目对应的M个候选答案，其中完型填空题目中包含N个空白处，M为大于或等于N的正整数。

需要说明的是，当前待处理的完型填空题目可以对应英语试题题型中的七选五题型，或者其他多个空白处对应相同的候选答案的选择类完型填空题型。该类完型填空题目中，包含正文，也即题干，以及统一的待选择的候选答案。

其中，若M＝N，则该M个候选答案分别为该完型填空题目中各个空白处对应的正确答案，或者，若M>N，则M个候选答案中可以包含N个正确答案以及(M-N)个与题目有一定关联性的干扰答案，在此不做限定。

举例来说，若当前的完型填空题目对应的空白处有5个，则候选答案可以是5个，也可以是6个、7个或者为其他任意大于5的整数，在此不做限定。

本公开中，可以通过对拍摄的照片进行识别，从而获取待处理的完型填空题目，或者通过对任意电子文档进行识别，以获取待处理的完型填空题目，本公开在此不做限定。

步骤102，将M个候选答案中的多组N个候选答案，分别填入N个空白处，以获得多个待校验的题目。

其中，待校验的题目可以是融合候选答案以及题干的完整题目，通过将候选答案分别填入空白处可以实现答案和题干的拼接，从而获得待校验的题目，从而可以便于之后根据题目完整的语义进行分析计算。

可理解的是，该多组N个候选答案可以为，从M个候选答案中以各种组合形式选出的N个候选答案的组合，从而可以保证待校验题目中包含了正确答案的情况。

举例来说，若当前M＝4，N＝3，该4个候选答案对应的选项分别为A、B、C、D，因而该多组3个候选答案可以为[A、B、C]、[A、B、D]、[A、C、B]、[A、D、B]、[A、D、C]、[A、C、D]、[B、C、D]、[B、A、C]、[B、A、D]、[B、D、A]、[B、C、A]、[B、D、C]、[C、A、B]、[C、B、A]、[C、B、D]、[C、D、B]、[C、A、D]、[C、D、A]、[D、A、C]、[D、C、A]、[D、A、B]、[D、B、A]、[D、C、B]、[D、B、C]，之后通过将以上24组候选答案分别填入空白处，从而可以获得24个待校验的题目。

需要说明的是，上述举例仅为本公开的一种示意性说明，对本公开构成限定。

步骤103，将每个待校验的题目输入预设的网络模型，以确定每个待校验的题目对应的得分向量，其中，得分向量中包括N个空白处分别与当前填入答案的匹配度。

其中，预设的网络模型可以是预先训练生成的网络模型，比如RoBERT模型，通过将每个待校验的题目输入预设的网络模型，从而可以根据待校验的题目的语义，确定与每个待校验的题目对应的得分向量。其中，该得分向量中的每个元素，可以表征对当前填入答案与对应空白处的匹配度，也即当前填入答案为N个空白处对应的各个答案的置信度。

可以理解的是，匹配度越高，则说明当前填入答案跟空白处的适配度更高，也即说明答案的可靠性更高。另外，每个空白处与当前填入答案的匹配度可以是相同的，也可以是不同的，也即当前在N个空白处填入的答案，可能有的匹配度比较高，有的匹配度比较低。

举例来说，若当前待校验的题目对应的得分向量为[0.2、0.5、0.3],且当前待校验的题目中填入的候选答案依次为A、B、C，题目的3个空白处依次为a、b、c，则该得分向量[0.2、0.5、0.3]说明当前候选答案A、B、C分别与空白处a、b、c的匹配度为0.2、0.5、0.3。由于候选答案B对应的匹配度为0.5，大于0.2和0.3，则说明在该组待校验的题目中，B与b的适配度最高，在此不做限定。

步骤104，根据多个得分向量，确定每个空白处对应的最优答案。

其中，最优答案也即在填入空白处之后，最符合空白处上下文语义的答案，也即与该空白处适配性最好的候选答案。

可选的，可以首先根据多个得分向量，确定每个空白处与每个候选答案的匹配度，然后将与每个空白处的匹配度最高的候选答案，确定为每个空白处对应的最优答案。

举例来说，若当前的三个得分向量分别为A1,B1,C1，A1＝[0.2、0.5、0.3],B1＝[0.8、0.4、0.3],C1＝[0.3、0.11、0.6],由该三个得分向量可知，空白处a1对应的最高匹配度为B1中的0.8，因而可以将0.8对应的候选答案作为与a1对应的最优答案，空白处b1对应的最高匹配度为A1中的0.5，因而可以将0.5对应的候选答案作为与b1对应的最优答案，空白处c1对应的最高匹配度为C1中的0.6，因而可以将0.6对应的候选答案作为与c1对应的最优答案，在此不做限定。

步骤105，在N个空白处分别对应的最优答案均不相同的情况下，将N个空白处分别对应的最优答案，确定为题目对应的目标答案。

其中，目标答案可以为该题目对应的正确答案，其可以为将与N个空白处分别对应的正确答案，按照各个空白处的顺序进行排列所形成的答案。

需要说明的是，若当前N个空白处分别对应的最优答案均不相同，则说明当前N个空白处分别对应的最优答案即可作为该题目N个空白处对应的目标答案。

举例来说，若当前空白处有5处，其对应的序号分别为1、2、3、4、5，而当前的候选答案分别为A、B、C、D、E、F、G，而当前序号为1、2、3、4、5的空白处对应的最优答案分别为B、C、D、E、F，因而，则可以将“B、C、D、E、F”作为该题目对应的目标答案，在此不进行限定。

本公开实施例中，首先获取待处理的完型填空题目及题目对应的M个候选答案，其中完型填空题目中包含N个空白处，M为大于或等于N的正整数，然后将M个候选答案中的多组N个候选答案，分别填入N个空白处，以获得多个待校验的题目，将每个待校验的题目输入预设的网络模型，以确定每个待校验的题目对应的得分向量，其中，得分向量中包括N个空白处分别与当前填入答案的匹配度，之后根据多个得分向量，确定每个空白处对应的最优答案，最后在N个空白处分别对应的最优答案均不相同的情况下，将N个空白处分别对应的最优答案，确定为题目对应的目标答案。由此，在对共用候选答案的完型填空题进行处理时，通过将各种组合的候选答案分别填入空白处，以生成待校验的题目，进而根据模型对各个待校验题目预测的得分向量，确定各个空白处对应的最优答案，从而使得答案的预测过程，不仅可以结合语义对答案进行预测，而且考虑了各个答案之间的关联性，从而提高了对该类完型填空题目处理的准确性和可靠性。

图2是根据本公开一实施例的又一种完型填空题目的处理方法的流程示意图。

如图2所示，该完型填空题目的处理方法可以包括以下步骤：

步骤201，获取待处理的完型填空题目及题目对应的M个候选答案，其中完型填空题目中包含N个空白处，M为大于或等于N的正整数。

步骤202，将M个候选答案中的多组N个候选答案，分别填入N个空白处，以获得多个待校验的题目。

步骤203，将每个待校验的题目输入预设的网络模型，以确定每个待校验的题目对应的得分向量，其中，得分向量中包括N个空白处分别与当前填入答案的匹配度。

步骤204，根据多个得分向量，确定每个空白处对应的最优答案。

需要说明的是，步骤201、202、203、204的具体实现方式可以参照上述实施例，在此不进行赘述。

步骤205，在K个空白处对应的最优答案相同的情况下，计算K个空白处分别对应的最优答案与次优答案间的第一匹配度差值，其中,K为大于1、且小于或等于N的正整数。

其中，最优答案也即在填入空白处之后，模型预测的匹配度得分最高的候选答案。

其中，次优答案可以为匹配度低于最优答案，高于其他候选答案的候选答案。可以理解的是，次优答案也即可靠性仅次于最优答案的候选答案。

其中，第一匹配度差值可以为K个空白处中每个空白处对应的最优答案的匹配度与次优答案对应的匹配度之间的差值。

需要说明的是，在K个空白处对应的最优答案相同的情况下，本公开实施例可以通过计算第一匹配度差值，选出当前最优答案唯一适配的空白处，从而之后可以确定其他空白处的答案。

举例来说，若当前题目有三个空白处分别为M1、M2、M3,其中，M1和M2对应的最优答案均为U,匹配度均为0.8，M1对应的次优答案的匹配度为0.6，M2对应的次优答案的匹配度为0.1，通过计算可得，M1对应的第一匹配度差值为0.2，M2对应的第一匹配度差值为0.7，在此不做限定。

步骤206，在K个第一匹配度差值均不相同的情况下，将最优答案确定为最大第一匹配度差值对应的空白处的目标答案。

为方便理解，本公开提出了以下示例进行说明，而不作为对本公开的限定。

举例来说，若当前题目有三个空白处分别为M1、M2、M3,其中，M1和M2对应的最优答案均为U,匹配度为0.8，M1对应的次优答案的匹配度为0.6，M2对应的次优答案的匹配度为0.1，通过计算可得，M1对应的第一匹配度差值为0.2，M2对应的第一匹配度差值为0.7，由于M2对应的第一匹配度差值较大，也即M2的次优答案与M2之间的匹配度很低，即该答案为正确答案的概率极低，因此将其作为M2的目标答案时，错误的概率很大，而M1与次优答案的匹配度远大于M2与次优答案的匹配度，从而可以将最优答案U作为M2对应的目标答案，在此不做限定。

步骤207，在其余的K-1个空白处分别对应的次优答案均不相同的情况下，将K-1个空白处分别对应的次优答案，确定为K-1个空白处对应的目标答案。

为方便理解，本公开提出了以下示例进行说明，而不作为对本公开的限定。

举例来说，若K＝3,当前题目有四个空白处分别为M1、M2、M3、M4,其中，M1、M2和M4对应的最优答案均为U,匹配度为0.8，M1对应的次优答案m1的匹配度为0.6，M2对应的次优答案m2的匹配度为0.1，M4对应的次优答案的匹配度m3为0.3,通过计算可得，M1对应的第一匹配度差值为0.2，M2对应的第一匹配度差值为0.7，M4对应的第一匹配度差值为0.5,由于M2对应的第一匹配度差值较大，而其余2个空白处分别对应的次优答案均不相同，因而可以将m1作为M1处对应的目标答案，将m3作为M4处对应的目标答案，在此不做限定。

可选的，若其余的K-1个空白处中L个空白处对应的次优答案相同，则可以计算L个空白处分别对应的次优答案与第三优答案间的第二匹配度差值，其中L为大于1、且小于或等于K-1的正整数，然后在L个第二匹配度差值均不相同的情况下，将次优答案确定为最大第二匹配度差值对应的空白处的目标答案。

其中，第三优答案可以为匹配度低于次优答案，高于或者等于其他候选答案的候选答案。

其中，第二匹配度差值可以为L个空白处分别对应的次优答案的匹配度与第三优答案对应的匹配度之间的差值。

举例来说，若K＝5,L＝3，在其余4个空白处中有3个空白处P1、P2、P3对应的次优答案相同，均为U,因而可以计算该三个空白处分别对应的次优答案与第三优答案间的第二匹配度差值，进而可以在第二匹配度差值均不相同的情况下，将次优答案确定为最大第二匹配度差值对应的空白处的目标答案。

本公开实施例首先获取待处理的完型填空题目及题目对应的M个候选答案，其中完型填空题目中包含N个空白处，M为大于或等于N的正整数，然后将M个候选答案中的多组N个候选答案，分别填入N个空白处，以获得多个待校验的题目，将每个待校验的题目输入预设的网络模型，以确定每个待校验的题目对应的得分向量，其中，得分向量中包括N个空白处分别与当前填入答案的匹配度，之后根据多个得分向量，确定每个空白处对应的最优答案，然后在K个空白处对应的最优答案相同的情况下，计算所述K个空白处分别对应的最优答案与次优答案间的第一匹配度差值，其中,K为大于1、且小于或等于N的正整数，之后在K个所述第一匹配度差值均不相同的情况下，将所述最优答案确定为最大第一匹配度差值对应的空白处的目标答案，最后在其余的K-1个空白处分别对应的次优答案均不相同的情况下，将所述K-1个空白处分别对应的次优答案，确定为所述K-1个空白处对应的目标答案。由此，通过结合最优答案与次优答案间的第一匹配度差值，建立了选项之间的联系，从而能够在多个空白处对应的最优答案相同的情况，确定出各个位置的目标答案，并且利用深度学习模型结合语义对题目答案进行预测，因而使得当前完型填空题目的答案更加准确、可靠。

图3是根据本公开一实施例的再一种完型填空题目的处理方法的流程示意图。

如图3所示，该完型填空题目的处理方法可以包括以下步骤：

步骤301，获取待处理的完型填空题目及题目对应的M个候选答案，其中完型填空题目中包含N个空白处，M为大于或等于N的正整数。

步骤302，将M个候选答案中的多组N个候选答案，分别填入N个空白处，以获得多个待校验的题目。

步骤303，将每个待校验的题目输入预设的网络模型，以确定每个待校验的题目对应的得分向量，其中，得分向量中包括N个空白处分别与当前填入答案的匹配度。

步骤304，根据多个得分向量，确定每个空白处对应的最优答案。

步骤305，在K个空白处对应的最优答案相同的情况下，计算K个空白处分别对应的最优答案与次优答案间的第一匹配度差值，其中,K为大于1、且小于或等于N的正整数。

需要说明的是，步骤301、302、303、304、305的具体实现方式可以参照上述实施例，在此不进行赘述。

步骤306，在K个空白处中F个空白处对应的第一匹配度差值最大、且相同的情况下，确定F个空白处分别对应的次优答案与第三优答案间的第二匹配度差值，其中F为大于1、且小于或等于K-1的正整数。

为方便理解，本公开提出了以下示例进行说明，而不作为对本公开的限定。

举例来说，若K＝4,F＝3，当前题目有4个空白处分别为M1、M2、M3、M4,其中，M1、M2和M4对应的最优答案均为U,第一匹配度差值均为0.75，M1对应的次优答案的匹配度为0.6，第三优答案的匹配度为0.5，M2对应的次优答案的匹配度为0.5，第三优答案的匹配度为0.42，M4对应的次优答案的匹配度为0.3,第三优答案的匹配度为0.27，通过计算可得，M1对应的第二匹配度差值为0.1，M2对应的第二匹配度差值为0.08，M4对应的第二匹配度差值为0.03。

步骤307，在F个第二匹配度差值均不相同的情况下，将最优答案确定为最大第二匹配度差值对应的空白处的目标答案。

结合上述步骤306的示例,由于3个第二匹配度差值均不相同，且M1对应的第二匹配度差值较大，为0.1，因而可以将M1对应的最优答案作为M1处对应的目标答案，在此不做限定。

步骤308，在其余的K-1个空白处分别对应的次优答案均不相同的情况下，将K-1个空白处分别对应的次优答案，确定为K-1个空白处对应的目标答案。

需要说明的是，步骤308的具体实现方式可以参照上述实施例，在此不进行赘述。

本公开实施例，首先获取待处理的完型填空题目及题目对应的M个候选答案，其中完型填空题目中包含N个空白处，M为大于或等于N的正整数，然后将M个候选答案中的多组N个候选答案，分别填入N个空白处，以获得多个待校验的题目，将每个待校验的题目输入预设的网络模型，以确定每个待校验的题目对应的得分向量，其中，得分向量中包括N个空白处分别与当前填入答案的匹配度，之后根据多个得分向量，确定每个空白处对应的最优答案，之后在所述K个空白处中F个空白处对应的第一匹配度差值最大、且相同的情况下，确定F个空白处分别对应的次优答案与第三优答案间的第二匹配度差值，其中F为大于1、且小于或等于K-1的正整数，最后在F个第二匹配度差值均不相同的情况下，将最优答案确定为最大第二匹配度差值对应的空白处的目标答案，然后在其余的K-1个空白处分别对应的次优答案均不相同的情况下，将K-1个空白处分别对应的次优答案，确定为K-1个空白处对应的目标答案。由此，可以结合各个候选答案的匹配度，以及第一、第二匹配度差值，确定每个空白处对应的目标答案，考虑了各个选项之间的关联性、由于是根据深度学习模型结合语义进行的结果预测，因而使得当前完型填空题目的答案更加准确、可靠。

为了实现上述实施例，本公开还提出一种完型填空题目的处理装置。

图4为本公开实施例所提供的一种完型填空题目的处理装置的结构示意图。

如图4所示，该完型填空题目的处理装置400，包括第一获取模块410、第二获取模块420、第一确定模块430、第二确定模块440、以及第三确定模块450。

第一获取模块410，用于获取待处理的完型填空题目及所述题目对应的M个候选答案，其中所述完型填空题目中包含N个空白处，M为大于或等于N的正整数；

第二获取模块420，用于将所述M个候选答案中的多组N个候选答案，分别填入所述N个空白处，以获得多个待校验的题目；

第一确定模块430，用于将每个所述待校验的题目输入预设的网络模型，以确定每个所述待校验的题目对应的得分向量，其中，所述得分向量中包括所述N个空白处分别与当前填入答案的匹配度；

第二确定模块440，用于根据多个所述得分向量，确定每个所述空白处对应的最优答案；

第三确定模块450，用于在所述N个空白处分别对应的最优答案均不相同的情况下，将所述N个空白处分别对应的最优答案，确定为所述题目对应的目标答案。

可选的，所述第二确定模块，具体用于：

根据多个所述得分向量，确定每个所述空白处与每个所述候选答案的匹配度；

将与每个所述空白处的匹配度最高的候选答案，确定为每个所述空白处对应的最优答案。

可选的，第三确定模块，还包括：

计算单元，用于在K个空白处对应的最优答案相同的情况下，计算所述K个空白处分别对应的最优答案与次优答案间的第一匹配度差值，其中,K为大于1、且小于或等于N的正整数；

第一确定单元，用于在K个所述第一匹配度差值均不相同的情况下，将所述最优答案确定为最大第一匹配度差值对应的空白处的目标答案；

第二确定单元，用于在其余的K-1个空白处分别对应的次优答案均不相同的情况下，将所述K-1个空白处分别对应的次优答案，确定为所述K-1个空白处对应的目标答案。

可选的，所述计算单元，还用于：

在所述K个空白处中F个空白处对应的第一匹配度差值最大、且相同的情况下，确定所述F个空白处分别对应的次优答案与第三优答案间的第二匹配度差值，其中F为大于1、且小于或等于K-1的正整数；

在F个所述第二匹配度差值均不相同的情况下，将所述最优答案确定为最大第二匹配度差值对应的空白处的目标答案；

在其余的K-1个空白处分别对应的次优答案均不相同的情况下，将所述K-1个空白处分别对应的次优答案，确定为所述K-1个空白处对应的目标答案。

可选的，所述第一确定单元，还用于：

在其余的K-1个空白处中L个空白处对应的次优答案相同的情况下，计算所述L个空白处分别对应的次优答案与第三优答案间的第二匹配度差值，其中L为大于1、且小于或等于K-1的正整数；

在L个所述第二匹配度差值均不相同的情况下，将所述次优答案确定为最大第二匹配度差值对应的空白处的目标答案。

本公开实施例中，首先获取待处理的完型填空题目及题目对应的M个候选答案，其中完型填空题目中包含N个空白处，M为大于或等于N的正整数，然后将M个候选答案中的多组N个候选答案，分别填入N个空白处，以获得多个待校验的题目，将每个待校验的题目输入预设的网络模型，以确定每个待校验的题目对应的得分向量，其中，得分向量中包括N个空白处分别与当前填入答案的匹配度，之后根据多个得分向量，确定每个空白处对应的最优答案，最后在N个空白处分别对应的最优答案均不相同的情况下，将N个空白处分别对应的最优答案，确定为题目对应的目标答案。由此，在对共用候选答案的完型填空题进行处理时，通过将各种组合的候选答案分别填入空白处，以生成待校验的题目，进而根据模型对各个待校验题目预测的得分向量，确定各个空白处对应的最优答案，从而使得答案的预测过程，不仅可以结合语义对答案进行预测，而且考虑了各个答案之间的关联性，从而提高了对该类完型填空题目处理的准确性和可靠性。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。

如图5所示，设备500包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM 503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线505。

设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如完型填空题目的处理方法。例如，在一些实施例中，完型填空题目的处理方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时，可以执行上文描述的完型填空题目的处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行完型填空题目的处理方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。

本公开实施例中，首先获取待处理的完型填空题目及题目对应的M个候选答案，其中完型填空题目中包含N个空白处，M为大于或等于N的正整数，然后将M个候选答案中的多组N个候选答案，分别填入N个空白处，以获得多个待校验的题目，将每个待校验的题目输入预设的网络模型，以确定每个待校验的题目对应的得分向量，其中，得分向量中包括N个空白处分别与当前填入答案的匹配度，之后根据多个得分向量，确定每个空白处对应的最优答案，最后在N个空白处分别对应的最优答案均不相同的情况下，将N个空白处分别对应的最优答案，确定为题目对应的目标答案。由此，在对共用候选答案的完型填空题进行处理时，通过将各种组合的候选答案分别填入空白处，以生成待校验的题目，进而根据模型对各个待校验题目预测的得分向量，确定各个空白处对应的最优答案，从而使得答案的预测过程，不仅可以结合语义对答案进行预测，而且考虑了各个答案之间的关联性，从而提高了对该类完型填空题目处理的准确性和可靠性。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (10)

1.一种完型填空题目的处理方法，其特征在于，包括：

获取待处理的完型填空题目及所述题目对应的M个候选答案，其中所述完型填空题目中包含N个空白处，M为大于或等于N的正整数；

将所述M个候选答案中的多组N个候选答案，分别填入所述N个空白处，以获得多个待校验的题目；

将每个所述待校验的题目输入预设的网络模型，以确定每个所述待校验的题目对应的得分向量，其中，所述得分向量中包括所述N个空白处分别与当前填入答案的匹配度；

根据多个所述得分向量，确定每个所述空白处对应的最优答案；

在所述N个空白处分别对应的最优答案均不相同的情况下，将所述N个空白处分别对应的最优答案，确定为所述题目对应的目标答案。

2.如权利要求1所述的方法，其特征在于，所述根据多个所述得分向量，确定每个所述空白处对应的最优答案，包括：

根据多个所述得分向量，确定每个所述空白处与每个所述候选答案的匹配度；

将与每个所述空白处的匹配度最高的候选答案，确定为每个所述空白处对应的最优答案。

3.如权利要求1所述的方法，其特征在于，在所述确定每个所述空白处对应的最优答案之后，还包括：

在K个空白处对应的最优答案相同的情况下，计算所述K个空白处分别对应的最优答案与次优答案间的第一匹配度差值，其中,K为大于1、且小于或等于N的正整数；

在K个所述第一匹配度差值均不相同的情况下，将所述最优答案确定为最大第一匹配度差值对应的空白处的目标答案；

在其余的K-1个空白处分别对应的次优答案均不相同的情况下，将所述K-1个空白处分别对应的次优答案，确定为所述K-1个空白处对应的目标答案。

4.如权利要求3所述的方法，其特征在于，在所述计算所述K个空白处分别对应的最优答案与次优答案间的第一匹配度差值之后，还包括：

在所述K个空白处中F个空白处对应的第一匹配度差值最大、且相同的情况下，确定所述F个空白处分别对应的次优答案与第三优答案间的第二匹配度差值，其中F为大于1、且小于或等于K-1的正整数；

在F个所述第二匹配度差值均不相同的情况下，将所述最优答案确定为最大第二匹配度差值对应的空白处的目标答案；

在其余的K-1个空白处分别对应的次优答案均不相同的情况下，将所述K-1个空白处分别对应的次优答案，确定为所述K-1个空白处对应的目标答案。

5.如权利要求3或4所述的方法，其特征在于，在所述将所述最优答案确定为最大第一匹配度差值对应的空白处的目标答案之后，还包括：

在其余的K-1个空白处中L个空白处对应的次优答案相同的情况下，计算所述L个空白处分别对应的次优答案与第三优答案间的第二匹配度差值，其中L为大于1、且小于或等于K-1的正整数；

在L个所述第二匹配度差值均不相同的情况下，将所述次优答案确定为最大第二匹配度差值对应的空白处的目标答案。

6.一种完型填空题目的处理装置，其特征在于，包括：

第一获取模块，用于获取待处理的完型填空题目及所述题目对应的M个候选答案，其中所述完型填空题目中包含N个空白处，M为大于或等于N的正整数；

第二获取模块，用于将所述M个候选答案中的多组N个候选答案，分别填入所述N个空白处，以获得多个待校验的题目；

第一确定模块，用于将每个所述待校验的题目输入预设的网络模型，以确定每个所述待校验的题目对应的得分向量，其中，所述得分向量中包括所述N个空白处分别与当前填入答案的匹配度；

第二确定模块，用于根据多个所述得分向量，确定每个所述空白处对应的最优答案；

第三确定模块，用于在所述N个空白处分别对应的最优答案均不相同的情况下，将所述N个空白处分别对应的最优答案，确定为所述题目对应的目标答案。

7.如权利要求6所述的装置，其特征在于，所述第二确定模块，具体用于：

根据多个所述得分向量，确定每个所述空白处与每个所述候选答案的匹配度；

将与每个所述空白处的匹配度最高的候选答案，确定为每个所述空白处对应的最优答案。

8.如权利要求6所述的装置，其特征在于，第三确定模块，包括：

计算单元，用于在K个空白处对应的最优答案相同的情况下，计算所述K个空白处分别对应的最优答案与次优答案间的第一匹配度差值，其中,K为大于1、且小于或等于N的正整数；

第一确定单元，用于在K个所述第一匹配度差值均不相同的情况下，将所述最优答案确定为最大第一匹配度差值对应的空白处的目标答案；

第二确定单元，用于在其余的K-1个空白处分别对应的次优答案均不相同的情况下，将所述K-1个空白处分别对应的次优答案，确定为所述K-1个空白处对应的目标答案。

9.如权利要求8所述的方法，其特征在于，所述计算单元，还用于：

在所述K个空白处中F个空白处对应的第一匹配度差值最大、且相同的情况下，确定所述F个空白处分别对应的次优答案与第三优答案间的第二匹配度差值，其中F为大于1、且小于或等于K-1的正整数；

在F个所述第二匹配度差值均不相同的情况下，将所述最优答案确定为最大第二匹配度差值对应的空白处的目标答案；

在其余的K-1个空白处分别对应的次优答案均不相同的情况下，将所述K-1个空白处分别对应的次优答案，确定为所述K-1个空白处对应的目标答案。

10.如权利要求8或9所述的装置，其特征在于，所述第一确定单元，还用于：

在其余的K-1个空白处中L个空白处对应的次优答案相同的情况下，计算所述L个空白处分别对应的次优答案与第三优答案间的第二匹配度差值，其中L为大于1、且小于或等于K-1的正整数；

在L个所述第二匹配度差值均不相同的情况下，将所述次优答案确定为最大第二匹配度差值对应的空白处的目标答案。

Images