[發明專利]一種大數據基礎算法學習自動評價方法及系統

在審

• 申請號: 202010900962.8
• 申請日: 2020-08-31
• 公開（公告）號: CN112102124A
• 公開（公告）日: 2020-12-18
• 發明（設計）人: 海克洪;郭梁;胡新海
• 申請（專利權）人: 湖北美和易思教育科技有限公司
• 主分類號: G06Q50/20
• 分類號: G06Q50/20;G06F8/41;G06F11/36
• 代理公司: 武漢紅觀專利代理事務所(普通合伙) 42247
• 代理人: 李季

1.一種大數據基礎算法學習自動評價方法，其特征在于，所述方法包括：

提取大數據基礎算法的關鍵步驟，對每個關鍵步驟進行特征提取組成特征向量，根據每個關鍵步驟的特征向量組成每個基礎算法的標準特征矩陣；

對于每個基礎算法，獲取多個不同實現方式的源代碼，將源代碼按塊劃分，得到基本代碼塊，建立特征矩陣中的特征向量與每個源代碼的基本代碼塊之間的對應關系；

獲取學生提交的基礎算法作業代碼，編譯運行，若編譯成功，進行測試，輸出測試結果，根據測試結果進行評分；

若編譯失敗，將作業代碼按塊劃分，得到作業代碼塊，根據所述作業代碼塊計算所述作業代碼的作業特征矩陣；計算所述作業特征矩陣與標準特征矩陣之間的相似度，根據所述相似度進行基礎算法學習評分。

2.根據權利要求1所述大數據基礎算法學習自動評價方法，其特征在于，所述基礎算法的關鍵步驟通過自然語言或偽代碼的形式表示。

3.根據權利要求1所述大數據基礎算法學習自動評價方法，其特征在于，將每個關鍵步驟進行特征提取組成特征向量具體為：

采用TF-IDF方法提取關鍵詞并計算權重，建立每個關鍵步驟的向量空間模型。

4.根據權利要求1所述大數據基礎算法學習自動評價方法，其特征在于，所述特征向量與每個源代碼的基本代碼塊之間的對應關系為一對一或一對多。

5.根據權利要求1所述大數據基礎算法學習自動評價方法，其特征在于，所述根據所述作業代碼塊計算所述作業代碼的作業特征矩陣具體為：計算每個作業代碼塊與每個源代碼的基本代碼塊之間的語義相似度；

對于語義相似度超過設定閾值的作業代碼塊和基本代碼塊，從所述標準特征矩陣中獲取與所述基本代碼塊對應的特征向量，對于語義相似度小于等于設定閾值的作業代碼塊，用零向量表示，得到每個作業代碼塊對應的特征向量；將每個作業代碼塊對應的特征向量組成作業特征矩陣。

6.一種大數據基礎算法學習自動評價系統，其特征在于，所述系統包括：

標準特征建立模塊：用于選取大數據領域常用的多個基礎算法，提取每個基礎算法的關鍵步驟，將每個關鍵步驟進行特征提取組成特征向量，根據每個關鍵步驟的特征向量組成每個基礎算法的標準特征矩陣；

對應關系建立模塊：用于對于每個基礎算法，獲取多個不同實現方式的源代碼，將源代碼按塊劃分，并提取每個塊的語義特征，得到基本代碼塊，組成塊矩陣，建立每個源代碼的基本代碼塊與特征矩陣中的特征向量之間的對應關系；

動態評分模塊：獲取學生提交的基礎算法作業代碼，編譯運行，若編譯成功，進行測試，輸出測試結果，根據測試結果進行評分；

靜態評分模塊：若編譯失敗，將作業代碼按塊劃分，得到作業代碼塊，根據所述作業代碼塊計算所述作業代碼的作業特征矩陣；計算所述作業特征矩陣與標準特征矩陣之間的相似度，根據所述相似度進行評分。

7.根據權利要求6所述大數據基礎算法學習自動評價系統，其特征在于，所述靜態評分模塊具體包括：

按塊劃分單元：將學生的作業代碼按塊劃分，得到作業代碼塊；

特征計算單元：計算每個作業代碼塊與每個源代碼的基本代碼塊之間的語義相似度；對于語義相似度超過設定閾值的作業代碼塊和基本代碼塊，從所述標準特征矩陣中獲取與所述基本代碼塊對應的特征向量，對于語義相似度小于等于設定閾值的作業代碼塊，用零向量表示，得到每個作業代碼塊對應的特征向量；將每個作業代碼塊對應的特征向量組成作業特征矩陣；

自動評分單元：計算所述作業特征矩陣與標準特征矩陣之間的相似度，根據所述相似度進行大數據基礎算法學習評分。