CN117892720B

CN117892720B - 一种中文作文ai句评流水线输出方法、装置及存储介质

Info

Publication number: CN117892720B
Application number: CN202410294625.7A
Authority: CN
Inventors: 王晨太; 于丁
Original assignee: Beijing Heqi Juli Education Technology Co ltd
Current assignee: Beijing Heqi Juli Education Technology Co ltd
Priority date: 2024-03-15
Filing date: 2024-03-15
Publication date: 2024-06-11
Anticipated expiration: 2044-03-15
Also published as: CN117892720A

Abstract

本发明涉及一种中文作文AI句评流水线输出方法、装置及存储介质，应用于自动句评技术领域，包括：本申请基于流水线设计思想，将整个句评生成任务拆解成更简单明确的子任务，先判断文本的表达方式，不同表达方式的文本进行不同分类子任务的判断，从而得到文本的句评标签，由于每个子任务单元只专注处理本单元的工作，结合前面预置的句评库，既避免了依赖模型过多问题又让整个检测过程更加合理清晰，准确率更高。

Description

一种中文作文AI句评流水线输出方法、装置及存储介质

技术领域

本发明涉及自动句评技术领域，具体涉及一种中文作文AI句评流水线输出方法、装置及存储介质。

背景技术

对句子自动生成句评是AI自动作文批改中的一个重要环节，现有句评输出的方法有一阶段的生成式方法，直接用生成式模型实现端到端的句评生成，也有先检测语句是否命中某种已设定规则（某种写作技法或某种修辞手法或某种表达方式），然后从已有评语库中选择某些评语输出的两阶段句评输出方法。

目前，基于生成式模型的直接评语生成的方式存在准确率比较低的问题，先检测再输出评语的方式准确率更高，同时也更加可解释，目前探测文本是否命中某种句评输出规则有以下几种方式：

基于深度学习文本二分类的方法对每种规则都做一个是或否的探测，需要为每个规则建立一个模型，当设定的句评规则数量比较多时，会导致建模的工作量很大，并且依赖的深度学习模型数量很多，会导致内存占用量很大。

基于文本多分类的方法来做，在已设定的句评规则数量非常多的情况下会变成一个十分多标签的文本多分类任务，通常待分类的标签越多，分类模型的准确率就会越差。

基于分词及关键词检测的方式，这种浅语义分析的方法容易出现以偏盖全的问题，没有办法充分理解文本的意思，也会导致准确率不高。

发明内容

有鉴于此，本发明的目的在于提供一种中文作文AI句评流水线输出方法，以解决现有技术中，依赖模型数量过多，以及分类标签过多导致的准确率较差的问题。

根据本发明实施例的第一方面，提供一种中文作文AI句评流水线输出方法，所述方法包括：

设置不同句评标签对应的句评库；

预搭建用于判断文本表达方式的表达二分类模型，建立用于确定不同表达方式的文本的句评标签的分类任务；

将所述文本输入到所述表达二分类模型判断中，通过所述表达二分类模型判断所述文本的表达方式；

将所述文本输入到对应表达方式所属的分类任务中，得到所述文本的句评标签；

所述将所述文本输入到对应表达方式所属的分类任务中，得到所述文本的句评标签包括：

若所述文本的表达方式包括多个，则将所述文本分别输入到不同表达方式所属的分类任务中，得到多个句评标签；

在每个句评标签对应的句评库中均随机选取一条评语，得到多条评语组成的评语组合，从所述评语组合中随机选取一条评语作为所述文本的句评。

优选地，

所述文本的表达方式包括记叙、描写、议论、说明以及抒情。

优选地，

所述文本的表达方式为记叙时，所述记叙所属的分类任务包括：

判断所述文本的记叙要素，将所述文本的记叙要素作为句评标签。

优选地，

所述文本的表达方式为描写时，所述描写所属的分类任务包括：

判断所述文本的是否属于对象描写，或，判断所述文本是否属于五感描写；

若所述文本属于对象描述，判断所述文本的描写对象，将所述描写对象的判断结果，或/和，五感描写的判断结果作为所述文本的句评标签。

优选地，

所述文本的表达方式为议论时，所述议论所属的分类任务包括：

判断所述文本的议论要素，将所述文本的议论要素作为句评标签；

所述文本的表达方式为说明时，所述说明所属的分类任务包括：

判断所述文本的说明方法，将所述文本的说明方法作为句评标签；

所述文本的表达方式为抒情时，所述抒情所属的分类任务包括：

判断所述文本的抒情对象以及情感类别，将所述文本的抒情对象以及情感类别作为句评标签。

优选地，

所述分类任务的分类结果均包括其他类别。

根据本发明实施例的第二方面，提供一种中文作文AI句评流水线输出装置，所述装置包括：

句评库搭建模块：用于设置不同句评标签对应的句评库；

模型搭建模块：用于预搭建用于判断文本表达方式的表达二分类模型，建立用于确定不同表达方式的文本的句评标签的分类任务；

表达方法判断模块：用于将所述文本输入到所述表达二分类模型判断中，通过所述表达二分类模型判断所述文本的表达方式；

分类模块：用于所述将所述文本输入到对应表达方式所属的分类任务中，得到所述文本的句评标签包括：

句评模块：用于在每个句评标签对应的句评库中均随机选取一条评语，得到多条评语组成的评语组合，从所述评语组合中随机选取一条评语作为所述文本的句评。

根据本发明实施例的第三方面，提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被主控器执行时，实现所述的一种中文作文AI句评流水线输出方法中的各个步骤。

本发明的实施例提供的技术方案可以包括以下有益效果：

本申请基于流水线设计思想，将整个句评生成任务拆解成更简单明确的子任务，先判断文本的表达方式，不同表达方式的文本进行不同分类子任务的判断，从而得到文本的句评标签，由于每个子任务单元只专注处理本单元的工作，结合前面预置的句评库，既避免了依赖模型过多问题又让整个检测过程更加合理清晰，准确率更高。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的一种中文作文AI句评流水线输出方法的流程示意图；

图2是根据另一示例性实施例示出的一种中文作文AI句评流水线输出装置的系统示意图；

附图中：1-句评库搭建模块，2-模型搭建模块，3-表达方法判断模块，4-分类模块，5-句评模块。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。

实施例一

图1是根据一示例性实施例示出的一种中文作文AI句评流水线输出方法的流程示意图，如图1所示，该方法包括：

S1，设置不同句评标签对应的句评库；

S2，预搭建用于判断文本表达方式的表达二分类模型，建立用于确定不同表达方式的文本的句评标签的分类任务；

S3，将所述文本输入到所述表达二分类模型判断中，通过所述表达二分类模型判断所述文本的表达方式；

S4，将所述文本输入到对应表达方式所属的分类任务中，得到所述文本的句评标签；

S5，在每个句评标签对应的句评库中均随机选取一条评语，得到多条评语组成的评语组合，从所述评语组合中随机选取一条评语作为所述文本的句评；

可以理解的是，本申请在进行流水线句评输出之前，要预置不同句评标签的句评库；

在建立好句评库之后，本申请首先要判断文本的表达方式，所述文本的表达方式包括记叙、描写、议论、说明以及抒情；因此流水线第一个单元是文本表达方式判断任务，因为一个文本有可能同时属于两种表达方式，既是记叙又是议论，所以本申请把这个任务建模为文本多标签分类任务，对每一个表达方式都设计一个文本二分类模型，判断这条文本是否属于这种表达方式，最终得到文本所属的表达方式；

然后对于不同表达方式的文本，本申请分别将文本输入到不同的其他处理单元去做下一级处理任务，对于表达方式为记叙的文本，本申请输送到记叙要素判断单元判断其属于哪种记叙要素，其中，记叙要素包括起因、经过、结果以及其他，这个单元本申请默认一句话所属的记叙要素是一个，如果可能涵盖多个记叙要素，则标记分类为其他，后续的判断单元都如此设计；

对于表达方式为描写的文本，本申请分别输送到描写对象判断单元判断其描写对象，其中，描写对象包括人物、动物、植物、状物、景物以及其他，同时通过五感描写判断单元判断其是否属于五感描写，所述五感包括听觉、嗅觉、味觉、触觉以及视觉，对于属于人物描写的文本，本申请将文本再输入到人物描写详细判断单元判断其属于哪种人物描写，也就是上述的描写对象的特征，如人物描写，其特征分类结果包括人物外貌、人物动作、人物语言、人物品质以及其他，值得说明的是，五感描写与对象描写并不冲突，两者可能同时满足，以人物描写为例，可能同时满足五感描写中的视觉描写，以及满足人物描写中的人物外貌描写，则最终的句评标签则是人物外貌和视觉，则在相应的句评库中随机选取评语作为句评；对于植物描写输入植物描写判断单元判断，植物描写特征包括植物外形、植物品质以及其他，对于状物描写输入状物描写判断单元，状物描写特征包括状物外形、状物品质以及其他，对于描写对象为景物的文本输入景物描写判断单元判断，所述景物描写特征包括自然景观以及人文景观，对于自然景观再判断其进一步特征为春天、夏天、秋天、冬天或其他；

对于表达方式为议论的文本输入议论文要素判断单元，所述议论要素包括论点、论据、论证以及其他；对于表达方式为说明的文本输入说明方法判断模块，说明方法包括列数字、举例子、引资料、分类别、打比方、下定义、作比较、作假设、摹状貌、作诠释、列图表以及其他；对于表达方式为抒情分别输入抒情主体判断单元判断抒情对象，抒情对象包括你、我、他以及其他，情感类别分类单元判断情感类别，所述情感类别包括高兴、喜欢、吃惊、担忧、害怕、愤怒，悲伤、厌恶、中性以及其他；

值得强调的是，一个文本对应一组标签（可能文本识别出来只有一个标签，也可能文本识别出来有多个标签）对应多个评语，判断结束后会在这组标签对应的评语集合里随机挑选一条评语作为文本的句评；

同时，对于每一个分类单元，本申请都设置一个其他类别，用于处理那些特征信息不明确，模棱两可的情况，本申请只对特征比较明确的文本生成评语，保证生成评语的质量；

值得强调的是，上述过程中的文本表达方式分类以及进一步的特征分类（通过具体单元得到句评标签）均是通过二分类模型实现的，二分类模型作为现有技术中较为成熟的技术，本申请在此略作说明，方便理解，具体如下：

将待分类文本输入到一个深度学习模型中去，得到一个分类结果，举个例子：要判断这句话是不是记叙的表达方式，输入待分类文本到文本分类模型，输出是或者不是的分类结果；

具体的分类模型设计，采用深度语义理解模型把文本做分布式特征表达，将文本转化成一组带有文本语义特征的向量，然后再输入到神经网络的其他层，可以统称为特征计算层，由各层的计算单元对原始语义特征向量做各种向量计算，最后接入一个softmax层，将结果映射成一个n维的向量，n为待分类别数，向量中的每一个值都是0到1之间的数字，代表属于该类别的概率，所有数字之和等于1，如二分类任务映射为[0.9，0.1]，代表其属于第一个类别的概率为0.9，属于第二个类别的概率为0.1；

本申请采用基于流水线的文本技法探测方法加上基于预置评语库的评语输出方法，既提升了句评输出的准确率又让整个句评生成过程更合理，基于流水线的层层筛选相比较与一阶段直接检测会过滤掉很多异常情况，比如，一句话本来是叙事的，但是因为其文本里面有一些人物关键词将其判断为描写，从而输出错误的评语，基于本申请设计的方案，第一步就可以判断出这个句子属于哪种表达方式，对于属于描写表达方式的句子，我们才会去进行后续的描写手法判断，极大避免了出现异常错误的情况，减少了模型中不断堆叠句评规则数量，而通常待分类的标签越多，分类模型的准确率就会越差，由于本申请中每个单元相对独立，也就是每个二分类模型的判断规则以及层级较少，因此可以显著的提高模型分类的精度。

实施例二：

图2是根据另一示例性实施例示出的一种中文作文AI句评流水线输出装置的系统示意图，所述装置包括：

句评库搭建模块1：用于设置不同句评标签对应的句评库；

模型搭建模块2：用于预搭建用于判断文本表达方式的表达二分类模型，建立用于确定不同表达方式的文本的句评标签的分类任务；

表达方法判断模块3：用于将所述文本输入到所述表达二分类模型判断中，通过所述表达二分类模型判断所述文本的表达方式；

分类模块4：用于将所述文本输入到对应表达方式所属的分类任务中，得到所述文本的句评标签；

句评模块5：用于在每个句评标签对应的句评库中均随机选取一条评语，得到多条评语组成的评语组合，从所述评语组合中随机选取一条评语作为所述文本的句评；

可以理解的是，通过句评库搭建模块1用于设置不同句评标签对应的句评库；通过模型搭建模块2用于预搭建用于判断文本表达方式的表达二分类模型，建立用于确定不同表达方式的文本的句评标签的分类任务；通过表达方法判断模块3用于将所述文本输入到所述表达二分类模型判断中，通过所述表达二分类模型判断所述文本的表达方式；通过分类模块4用于将所述文本输入到对应表达方式所属的分类任务中，得到所述文本的句评标签；通过句评模块5用于在所述文本的句评标签对应的句评库中随机选取评语作为该文本的句评。

实施例三：

本实施例提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被主控器执行时，实现上述方法中的各个步骤；

可以理解的是，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。

需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims

1.一种中文作文AI句评流水线输出方法，其特征在于，所述方法包括：

设置不同句评标签对应的句评库；

将所述文本输入到所述表达二分类模型判断中，通过所述表达二分类模型判断所述文本的表达方式，包括：

对每一个表达方式都建立一个文本二分类模型，通过每个文本二分类模型分别判断所述文本是否属于这种表达方式，最终得到文本所属的表达方式；

2.根据权利要求1所述的方法，其特征在于，

3.根据权利要求2所述的方法，其特征在于，

4.根据权利要求2所述的方法，其特征在于，

5.根据权利要求2所述的方法，其特征在于，

6.根据权利要求2-5任意一项所述的方法，其特征在于，

所述分类任务的分类结果均包括其他类别。

7.一种中文作文AI句评流水线输出装置，其特征在于，所述装置包括：

句评库搭建模块：用于设置不同句评标签对应的句评库；

表达方法判断模块：用于将所述文本输入到所述表达二分类模型判断中，通过所述表达二分类模型判断所述文本的表达方式，包括：

分类模块：用于将所述文本输入到对应表达方式所属的分类任务中，得到所述文本的句评标签；

8.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被主控器执行时，实现如权利要求1-6任一项所述的一种中文作文AI句评流水线输出方法中的各个步骤。