【技术实现步骤摘要】
一种基于多特征融合的主观题自动评分方法
本专利技术涉及自然语言处理
，更具体的，涉及一种基于多特征融合的主观题自动评分方法。
技术介绍
如今，人工智能时代即将来临，人工智能已经渗透到了各行各业，无论是医疗行业，还是媒体行业，甚至游戏行业也充满了AI的气息，但教育行业却似乎没有跟上人工智能的浪潮似的，显得无动于衷。例如在医疗行业里，医生们可以凭借图像识别技术辅助筛选肿瘤、癌症等病状，大大减轻了医生的工作量。然而在教育行业里，老师们的工作量并没有减少多少，就比如在批改作业、试卷方面，虽然在选择题、填空题等客观题的评分可以由计算机自动评分批改，但简答题、论述题等主观题无法做到完全由计算机自动评分批改，这一方面的技术、产品并不成熟，仍处于探索阶段。现有的主观题评分几乎都是由人工进行评分的，费时费力，无法实时反馈学生的学习成果。最相近似的实现方案：简单提取两个答案的语义，然后计算相似度，这样准确率较低，忽略了深层的语义，无法做到实用。
技术实现思路
本专利技术为克服现有的主观题自动评分方案准确率不高、...
【技术保护点】
1.一种基于多特征融合的主观题自动评分方法，其特征在于，包括以下步骤：/nS1：使用中文分词工具分别对考生答案和参考答案进行分词，然后去除停用词、重复词、标点符号和特殊符号，并且让两组序列的长度一致，对应得到序列A1和序列A2；/nS2：使用bert-as-service工具对A1、A2进行向量化处理，对应得到考生答案向量矩阵E1、参考答案向量矩阵E2；/nS3：分别从E1、E2提取考生答案和参考答案的文本特征、关键词特征和情感特征进行相似度特征计算，对应得到文本相似度特征Sim
【技术特征摘要】
1.一种基于多特征融合的主观题自动评分方法，其特征在于，包括以下步骤：
S1：使用中文分词工具分别对考生答案和参考答案进行分词，然后去除停用词、重复词、标点符号和特殊符号，并且让两组序列的长度一致，对应得到序列A1和序列A2；
S2：使用bert-as-service工具对A1、A2进行向量化处理，对应得到考生答案向量矩阵E1、参考答案向量矩阵E2；
S3：分别从E1、E2提取考生答案和参考答案的文本特征、关键词特征和情感特征进行相似度特征计算，对应得到文本相似度特征Sim1、关键词相似度特征Sim2、情感相似度特征Sim3；
S4：计算得出总分，完成自动评分，计算公式为：
Score＝(a*Sim1+β*Sim2+γ*Sim3)*MaxScore
其中α、β、γ为特征对应的权重，MaxScore为设置的满分值。
2.根据权利要求1所述的一种基于多特征融合的主观题自动评分方法，其特征在于，S1中通过在长度短的序列的末端填补字符＜PAD＞，从而使A1和A2长度一致。
3.根据权利要求1所述的一种基于多特征融合的主观题自动评分方法，其特征在于，S3中计算Sim1具体包括以下步骤：
S3.1.1：利用卷积神经网络CNN对E1进行特征提取，其输出向量Ci作为CNN提取的单词级别的特征；
S3.1.2：利用双向长短期记忆网络LSTM对E1进行特征提取，其输出向量hi作为得到LSTM层提取到的单词级别的特征；
S3.1.3：对Ci、hi引入注意力机制，最后分别得到CNN提取的句子级别的语义向量表示Scnn和LSTM提取的句子级别的语义向量表示Slstm；
Scnn的计算公式为：
vi＝tanh(WcCi+bc)
αi＝softmax(Wαvi)
式中，vi是注意力输出，Wc、bc、Wα是模型参数，αi是CNN层的注意力权重；
Slstm的计算公式为：
ui＝tanh(Whhi+bh)
βi＝softmax(Wβui)
式中，ui是注意力输出，Wh、bh、Wβ是模型参数，βi是LSTM层的注意力权重；
S3.1.4：将Scnn和Slstm进行拼接，得到考生答案文本的语义表示s1[Scnn，Slstm]；
S3.1.5：依照S3.1.1至S3.1.4对E2进行特征提取、引入注意力机制和拼接语义向量表示，从而得到参考答案文本的语义表示s2；
S3.1.6：在语义空间中计算s1和s2的相似度，从而判断两个答案是否语义相同。
4.根据权利要求3所述的一种基于多...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。