[發明專利]簡答題的機器智能評閱方法及系統

有效

• 申請號: 202011078190.0
• 申請日: 2020-10-10
• 公開（公告）號: CN112214579B
• 公開（公告）日: 2022-08-23
• 發明（設計）人: 張新華;王朝選;劉喜軍;徐佳健;彭軍;賴日毅;江琪
• 申請（專利權）人: 浙江藍鴿科技有限公司
• 主分類號: G06F16/33
• 分類號: G06F16/33;G06F16/35;G06F40/279;G06F40/30;G06Q50/20;G06N7/00
• 代理公司: 上海一平知識產權代理有限公司 31266
• 代理人: 成春榮;竺云

1.一種簡答題的機器智能評閱方法，其特征在于，包括：

預先基于學科語料獲取該學科的學科關鍵詞和普通關鍵詞，并生成各關鍵詞的詞向量表，基于所述詞向量表對各關鍵詞進行聚類，獲取各學科關鍵詞的關聯詞集合，構建該學科的關鍵詞庫；

獲取目標試題的作答信息和標準答案；

基于所述關鍵詞庫，提取所述標準答案中的學科關鍵詞集合和普通關鍵詞集合，并確定各學科關鍵詞的關聯詞集合以拓展所述學科關鍵詞集合；

基于拓展后的學科關鍵詞集合識別所述作答信息中的學科關鍵詞、關聯詞，基于所述普通關鍵詞集合識別所述作答信息中的普通關鍵詞；

計算所述作答信息的句子合理度，該句子合理度是指句子中詞與詞之間的邏輯順序和關系的合理程度，本步驟進一步包括以下子步驟：分別提取所述作答信息和所述標準答案中每個句子的詞語序列，根據馬爾可夫假設采用N-gram語言模型計算各所述詞語序列中每個詞語在所在句子中出現位置的概率值，基于貝葉斯條件概率模型根據所述每個詞語在所在句子中出現位置的概率值計算所述每個句子的詞語合理概率值，根據所述作答信息和所述標準答案中每個句子的詞語合理概率值計算所述作答信息的句子合理度；

根據公式計算所述作答信息的評分F，其中，s₁、s₂、s₃、s₄分別表示所述作答信息中的學科關鍵詞信息、關聯詞信息、普通關鍵詞信息、句子合理度的權重系數且s₁＞₂＞₃，F₀為所述目標試題總分。

2.如權利要求1所述的簡答題的機器智能評閱方法，其特征在于，所述根據所述作答信息和所述標準答案中每個句子的詞語合理概率值計算所述作答信息的句子合理度，進一步包括：

分別計算所述作答信息和所述標準答案的句子的詞語合理概率均值；

如果所述作答信息的句子的詞語合理概率均值小于所述標準答案的句子的詞語合理概率均值，則所述作答信息的句子合理度為所述作答信息的句子的詞語合理概率均值與所述標準答案的句子的詞語合理概率均值的商；

如果所述作答信息的句子的詞語合理概率均值大于或等于所述標準答案的句子的詞語合理概率均值，則所述作答信息的句子合理度為1。

3.如權利要求1所述的簡答題的機器智能評閱方法，其特征在于，所述基于學科語料獲取該學科的學科關鍵詞和普通關鍵詞，并生成各關鍵詞的詞向量表，基于所述詞向量表對各關鍵詞進行聚類，獲取各學科關鍵詞的關聯詞集合，進一步包括：

基于所述學科語料，獲取該學科的學科關鍵詞和普通關鍵詞；

利用文本深度語言模型生成各關鍵詞的詞向量，得到詞向量表；

計算所述詞向量表中各關鍵詞之間的距離；

獲取與每個學科關鍵詞的距離小于預設閾值的詞，組成每個學科關鍵詞的關聯詞集合。

4.如權利要求3所述的簡答題的機器智能評閱方法，其特征在于，所述文本深度語言模型為基于word2vec的深度學習模型；

所述計算所述詞向量表中各關鍵詞之間的距離采用余弦相似度計算方法。

5.如權利要求1-4中任意一項所述的簡答題的機器智能評閱方法，其特征在于，所述計算所述作答信息的評分之后，還包括：

計算預設考試群體內所有考生的所述作答信息的評分的平均值；

獲取所述預設考試群體內所有考生的所述作答信息的預期分值，并計算預期分值的平均值；

根據所述評分的平均值和所述預期分值的平均值對各考生的所述作答信息的評分進行調整。