[發明專利]一種基于神經網絡的作文評閱方法和系統

在審

• 申請號: 202011524721.4
• 申請日: 2020-12-22
• 公開（公告）號: CN112527968A
• 公開（公告）日: 2021-03-19
• 發明（設計）人: 任宏凱;孫紹利;樊勁松
• 申請（專利權）人: 大唐融合通信股份有限公司
• 主分類號: G06F16/33
• 分類號: G06F16/33;G06F40/253;G06F40/279;G06F40/30;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京銀龍知識產權代理有限公司 11243
• 代理人: 許靜;曹娜

1.一種基于神經網絡的作文評閱方法，其特征在于，包括：

獲取待評閱文檔；

根據所述待評閱文檔的多個特征信息和預設深度神經網絡，得到所述待評閱文檔的特征評閱結果；

根據所述特征評閱結果，加權求和得到所述待評閱文檔的文檔評閱結果。

2.根據權利要求1所述的基于神經網絡的作文評閱方法，其特征在于，所述預設深度神經網絡包括全卷積序列到序列模型，所述特征信息包括語句，所述特征評閱結果包括語句評閱結果；

所述根據所述待評閱文檔的多個特征信息和預設深度神經網絡，得到所述待評閱文檔的特征評閱結果，包括：

通過所述全卷積序列到序列模型，對所述待評語文檔的語句進行評閱，得到語句評閱結果；其中，所述全卷積序列到序列模型包括編碼層、注意力機制和解碼層。

3.根據權利要求2所述的基于神經網絡的作文評閱方法，其特征在于，所述通過所述全卷積序列到序列模型，對所述待評語文檔的語句進行評閱，包括：

結合目標語句的上下文，確定參考語句；

使用所述參考語句，按照錯誤類型，將所述目標語句中的詞語進行錯誤分析；

根據所述錯誤分析，得到語句評閱結果。

4.根據權利要求3所述的基于神經網絡的作文評閱方法，其特征在于，所述錯誤類型包括：多詞、少詞、錯詞、亂序。

5.根據權利要求3所述的基于神經網絡的作文評閱方法，其特征在于，所述根據所述錯誤分析，得到語句評閱結果，包括：

根據所述錯誤分析，確定錯誤詞語在所述待評語文檔的概率；

根據所述概率，確定所述目標語句評閱的語句得分，并將所述語句得分作為所述語句評閱結果。

6.根據權利要求1所述的基于神經網絡的作文評閱方法，其特征在于，所述預設深度神經網絡包括預訓練語言模型和神經網絡模型，所述特征信息包括語句和段落，所述特征評閱結果包括篇章結構評閱結果；

所述根據所述待評閱文檔的多個特征信息和預設深度神經網絡，得到所述待評閱文檔的特征評閱結果，包括：

通過所述預訓練語言模型和神經網絡模型，對所述待評語文檔的語句和段落進行評閱，得到篇章結構評閱結果；其中，所述篇章結構評閱結果包括以下至少一項：連貫性分布評閱結果、詞匯鏈評閱結果、詞向量評閱結果和句子長度評閱結果。

7.根據權利要求6所述的基于神經網絡的作文評閱方法，其特征在于，所述通過所述預訓練語言模型和神經網絡模型，對所述待評語文檔的語句和段落進行評閱，包括：

獲取目標段落中詞的向量表征以及對應的語句向量；

使用所述語句向量，按照文體類型，將所述目標段落中的向量表征和語句向量進行結構分析；

根據所述結構分析，得到篇章結構評閱結果。

8.根據權利要求7所述的基于神經網絡的作文評閱方法，其特征在于，所述根據所述結構分析，得到篇章結構評閱結果，包括：

根據所述結構分析，確定篇章結構評閱結果的種類；

根據每一種類對應的權重占比，計算所述篇章結構評閱的結構得分。

9.根據權利要求1所述的基于神經網絡的作文評閱方法，其特征在于，所述預設深度神經網絡包括貝葉斯模型和預訓練語言模型，所述特征信息包括所述待評語文檔整體和詞語，所述特征評閱結果包括主題評閱結果；

所述根據所述待評閱文檔的多個特征信息和預設深度神經網絡，得到所述待評閱文檔的特征評閱結果，包括：

通過所述貝葉斯模型和預訓練語言模型，對所述待評語文檔整體和詞語進行評閱，得到主題評閱結果；其中，所述主題評閱結果包括中心思想評閱結果和分主題評閱結果。