【技术实现步骤摘要】
本专利技术涉及数据处理，尤其涉及一种评分模型的训练方法、评分方法和装置。
技术介绍
1、在教育过程中，测试和评估已经成为日常教学中必不可少的一环，而自动化评分系统能够大大降低教师的工作量，提高评分的公正性和效率，从而为教育教学的发展提供助力。
2、目前，自动评分系统技术主要是基于自然语言处理的技术，例如，词袋模型、主题模型、词向量和神经网络等，其可将文本信息转化为数学形式，提取文本的主要信息，然后根据预定义的评分规则进行评分。然而由于自然语言的复杂性，其通常很难全面、精确地理解文本语义，导致评分的准确度并不高。并且，其输出的仅是总体评分，这十分不便于用户后续的进一步巩固学习。
技术实现思路
1、本专利技术提供一种评分模型的训练方法、评分方法和装置，用以解决现有技术中评分准确性不高，以及评分后得到的仅有总体评分，不便于后续的进一步学习的缺陷，通过训练后的评分模型能够准确理解输入文本的语义，实现对用户答案的自动评分，并给出评分解析，保证了评分的准确性，为用户后续的进一步巩固学习提供数据支撑。
2、本专利技术提供一种评分模型的训练方法，包括：
3、获取预训练数据和训练数据，所述预训练数据包括第一样本试题，以及所述第一样本试题对应的参考答案、第一用户答案和答案评分；所述训练数据包括评分规范、第二样本试题及其对应的第二用户答案；
4、基于所述预训练数据，对初始模型进行训练，得到预训练模型；
5、基于所述第二样本试题和所述评分规范，应
6、基于所述训练数据，以及所述预测评分和所述评分解析，对所述预训练模型进行训练，得到评分模型。
7、根据本专利技术提供的一种评分模型的训练方法，所述基于所述第二样本试题和所述评分规范，应用所述预训练模型对所述第二用户答案进行评分，得到所述第二用户答案的预测评分和评分解析，包括：
8、基于所述第二样本试题，应用所述预训练模型进行答案生成，得到所述第二样本试题对应的预测答案；
9、基于所述预测答案和所述评分规范，应用所述预训练模型对所述第二用户答案进行评分，得到预测评分和评分解析。
10、根据本专利技术提供的一种评分模型的训练方法，所述基于所述预测答案和所述评分规范，应用所述预训练模型对所述第二用户答案进行评分，得到预测评分和评分解析，包括：
11、基于所述评分规范，应用所述预训练模型对所述预测答案进行得分点拆解，得到得分点解析；
12、基于所述得分点解析，应用所述预训练模型对所述第二用户答案进行评分，得到预测评分和评分解析。
13、根据本专利技术提供的一种评分模型的训练方法，所述基于所述预训练数据，对初始模型进行训练，得到预训练模型，包括：
14、基于所述预训练数据，应用所述初始模型逐个字符单元进行预测，得到所述预训练数据对应的预测结果；
15、基于所述预测结果和所述预训练数据，对所述初始模型进行训练，得到预训练模型，所述初始模型是在大型语言模型的基础上构建的。
16、根据本专利技术提供的一种评分模型的训练方法，所述基于所述预测结果和所述预训练数据，对所述初始模型进行训练，得到预训练模型，包括：
17、基于所述预测结果和所述预训练数据，确定预测损失；
18、基于所述预测结果中的各预测数字，以及所述预训练数据中的各数字，确定数字损失；
19、基于所述预测损失和所述数字损失，对所述初始模型进行训练，得到预训练模型。
20、本专利技术还提供一种评分方法，包括：
21、确定待评分的用户答案，以及所述用户答案对应的试题；
22、基于所述试题，应用评分模型对所述用户答案进行评分，得到答案评分和评分解析；所述评分解析用于解释所述答案评分的构成；所述评分模型基于如上述任一项所述的评分模型的训练方法确定。
23、根据本专利技术提供的一种评分方法，所述评分解析包括所述答案评分对应的失误得分点及其失误原因；
24、所述基于所述试题，应用评分模型对所述用户答案进行评分，得到答案评分和评分解析，包括：
25、基于所述试题、所述用户答案以及失误类型，生成评分提示语句；
26、将所述评分提示语句输入至所述评分模型，得到所述评分模型输出的答案评分，以及失误得分点及其失误原因对应的失误类型。
27、本专利技术还提供一种评分模型的训练装置，包括：
28、获取单元，用于获取预训练数据和训练数据，所述预训练数据包括第一样本试题，以及所述第一样本试题对应的参考答案、第一用户答案和答案评分；所述训练数据包括评分规范、第二样本试题及其对应的第二用户答案；
29、预训练单元，用于基于所述预训练数据，对初始模型进行训练，得到预训练模型；
30、预测单元，用于基于所述第二样本试题和所述评分规范，应用所述预训练模型对所述第二用户答案进行评分，得到所述第二用户答案的预测评分和评分解析，所述评分解析用于解释所述预测评分的构成；
31、训练单元，用于基于所述训练数据，以及所述预测评分和所述评分解析，对所述预训练模型进行训练，得到评分模型。
32、本专利技术还提供一种评分装置，包括：
33、确定单元，用于确定待评分的用户答案，以及所述用户答案对应的试题；
34、评分单元，用于基于所述试题，应用评分模型对所述用户答案进行评分，得到答案评分和评分解析；所述评分解析用于解释所述答案评分的构成；所述评分模型基于如上述任一项所述的评分模型的训练方法确定。
35、本专利技术还提供一种电子设备，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上述任一种所述的评分模型的训练方法或评分方法。
36、本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述的评分模型的训练方法或评分方法。
37、本专利技术提供的评分模型的训练方法、评分方法和装置，通过预训练提升模型对于输入文本的理解能力，以准确理解输入文本的语义，从而能够进行准确答题和评分，在此基础上进行评分微调，以使模型能够更好的适应于答题任务，能够根据输入的试题、评分规范和用户答案对应输出预测评分和评分解析，以解释预测评分的构成，为预测评分的给出提供依据，克服了传统自动评分方案中难以全面准确的理解文本语义，导致评分准确性不高，以及评分后得到的仅有总体评分，不便于后续的进一步学习的缺陷，实现对用户答案的自动评分，并给出评分解析，在保证评分准确性和评分效率的同时，为后续的巩固学习提供数据支撑。
本文档来自技高网...【技术保护点】
1.一种评分模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的评分模型的训练方法，其特征在于，所述基于所述第二样本试题和所述评分规范，应用所述预训练模型对所述第二用户答案进行评分，得到所述第二用户答案的预测评分和评分解析，包括：
3.根据权利要求2所述的评分模型的训练方法，其特征在于，所述基于所述预测答案和所述评分规范，应用所述预训练模型对所述第二用户答案进行评分，得到预测评分和评分解析，包括：
4.根据权利要求1至3中任一项所述的评分模型的训练方法，其特征在于，所述基于所述预训练数据，对初始模型进行训练，得到预训练模型，包括：
5.根据权利要求4所述的评分模型的训练方法，其特征在于，所述基于所述预测结果和所述预训练数据，对所述初始模型进行训练，得到预训练模型，包括：
6.一种评分方法，其特征在于，包括：
7.根据权利要求6所述的评分方法，其特征在于，所述评分解析包括所述答案评分对应的失误得分点及其失误原因；
8.一种评分模型的训练装置，其特征在于，包括：
9.一种评分装置，
10.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述的评分模型的训练方法，或如权利要求6或7所述的评分方法。
11.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的评分模型的训练方法，或如权利要求6或7所述的评分方法。
...【技术特征摘要】
1.一种评分模型的训练方法，其特征在于，包括：
2.根据权利要求1所述的评分模型的训练方法，其特征在于，所述基于所述第二样本试题和所述评分规范，应用所述预训练模型对所述第二用户答案进行评分，得到所述第二用户答案的预测评分和评分解析，包括：
3.根据权利要求2所述的评分模型的训练方法，其特征在于，所述基于所述预测答案和所述评分规范，应用所述预训练模型对所述第二用户答案进行评分，得到预测评分和评分解析，包括：
4.根据权利要求1至3中任一项所述的评分模型的训练方法，其特征在于，所述基于所述预训练数据，对初始模型进行训练，得到预训练模型，包括：
5.根据权利要求4所述的评分模型的训练方法，其特征在于，所述基于所述预测结果和所述预训练数据，对所述初始模型进行训练，得到预训...
【专利技术属性】
技术研发人员：郝龙飞，沙晶，王士进，魏思，胡国平，刘聪，盛志超，
申请(专利权)人：科大讯飞股份有限公司，
类型：发明
国别省市：
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。