[發明專利]基于特征學習的短答案自動評分方法、系統及存儲介質

有效

• 申請號: 201811355345.3
• 申請日: 2018-11-14
• 公開（公告）號: CN109670168B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 朱佳;倫家琪;肖菁;余偉浩
• 申請（專利權）人: 華南師范大學
• 主分類號: G06F40/289
• 分類號: G06F40/289;G06F40/30;G06F16/35;G06N3/0464;G06N3/0442;G06N3/045;G06N3/08
• 代理公司: 廣州嘉權專利商標事務所有限公司 44205
• 代理人: 胡輝

本發明公開了基于特征學習的短答案自動評分方法、系統及存儲介質，方法包括：對短答案的問題、標準答案以及回答答案進行分詞操作，生成詞序列；對詞序列進行向量化表示，生成映射矩陣；對映射矩陣進行詞語級別的特征抽取，生成詞語特征；對映射矩陣進行句子級別的特征抽取，生成句子特征；根據詞語特征和句子特征，通過深度學習分類器模型預測短答案的文本類別；基于文本類別與分值的映射關系，確定短答案的分數。本發明無需進行人工處理，大大提高了工作效率，同時參考了詞語因素和句子因素，提高了分類準確率，進而提高了評分的準確率，可廣泛應用于深度學習技術領域。

技術領域

本發明涉及深度學習技術領域，尤其是基于特征學習的短答案自動評分方法、系統及存儲介質。

背景技術

近年來，教育界的自動短答案評分技術吸引了大量學者的研究興趣，該技術旨在自動評估自然語言的短答案。然而，簡短的答案一般僅由幾個單詞或幾個句子組成，只包含很少的有用信息。傳統的短答案評分技術嚴重依賴于特征工程來評估來分配短答案的分數，這需要大量的勞動力來手工設計最有價值的特征，并且在大多數情況下需要專家的知識，評分效率較低；另外，傳統的短答案評分方法將評分過程視為一個分類任務，直接將學生的答案與給定問題的標準答案進行相似度匹配，得到答案對應的分數類別，進而計算得到最終得分，這種方法的準確率較低。

發明內容

為解決上述技術問題，本發明的目的在于：提供一種效率高且準確率高的，基于特征學習的短答案自動評分方法、系統及存儲介質。

本發明一方面所采取的技術方案為：

基于特征學習的短答案自動評分方法，包括以下步驟：

對短答案的問題、標準答案以及回答答案進行分詞操作，生成詞序列；

對詞序列進行向量化表示，生成映射矩陣；

對映射矩陣進行詞語級別的特征抽取，生成詞語特征；

對映射矩陣進行句子級別的特征抽取，生成句子特征；

根據詞語特征和句子特征，通過深度學習分類器模型預測短答案的文本類別；

基于文本類別與分值的映射關系，確定短答案的分數。

進一步，所述對詞序列進行向量化表示，生成映射矩陣這一步驟，包括以下步驟：

通過文本分類器訓練詞語庫；

根據訓練好的詞語庫，對詞序列中的每個詞語進行多維向量化表示，生成映射矩陣。

進一步，所述對映射矩陣進行詞語級別的特征抽取，生成詞語特征這一步驟，包括以下步驟：

對映射矩陣進行詞語重疊特征提取；

對映射矩陣進行問題類型特征提取，生成問題類型集合；

根據映射矩陣，生成回答答案和標準答案之間的相似詞性標記；

對詞語重疊特征、問題類型集合和相似詞性標記進行結合，生成詞語特征。

進一步，所述對映射矩陣進行句子級別的特征抽取，生成句子特征這一步驟，包括以下步驟：

對映射矩陣進行句子級別的特征抽取，分別得到短答案的問題的語義特征向量、標準答案的語義特征向量和回答答案的語義特征向量；

對短答案的問題的語義特征向量、標準答案的語義特征向量和回答答案的語義特征向量進行向量運算特征轉換，生成句子特征。

進一步，所述對映射矩陣進行句子級別的特征抽取，得到標準答案的語義特征向量這一步驟，其具體為：

通過Bi-LSTM神經網絡對標準答案的映射矩陣進行運算，生成標準答案的語義特征向量；