[發(fā)明專利]一種基于神經(jīng)網(wǎng)絡(luò)的作文評閱方法和系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202011524721.4
• 申請日: 2020-12-22
• 公開（公告）號: CN112527968A
• 公開（公告）日: 2021-03-19
• 發(fā)明（設(shè)計(jì)）人: 任宏凱;孫紹利;樊勁松
• 申請（專利權(quán)）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(chǎn)權(quán)代理有限公司 11243
• 代理人: 許靜;曹娜

本發(fā)明提供了一種基于神經(jīng)網(wǎng)絡(luò)的作文評閱方法和系統(tǒng)，涉及自然語言處理領(lǐng)域。所述方法包括：獲取待評閱文檔；根據(jù)所述待評閱文檔的多個(gè)特征信息和預(yù)設(shè)深度神經(jīng)網(wǎng)絡(luò)，得到所述待評閱文檔的特征評閱結(jié)果；根據(jù)所述特征評閱結(jié)果，加權(quán)求和得到所述待評閱文檔的文檔評閱結(jié)果。本發(fā)明的作文評閱方法和系統(tǒng)可以從整體和局部等多個(gè)維度考察待評閱文檔的質(zhì)量：詞匯錯(cuò)誤程度、篇章結(jié)構(gòu)、主題、文采等，使得本發(fā)明能實(shí)現(xiàn)對文檔的自動評分。

技術(shù)領(lǐng)域

本發(fā)明涉及自然語言處理領(lǐng)域，特別涉及一種基于神經(jīng)網(wǎng)絡(luò)的作文評閱方法和系統(tǒng)。

背景技術(shù)

作文教學(xué)一直以來都是語文學(xué)科教育的重要問題，也是整個(gè)社會教育的問題，作文教育與孩子的認(rèn)知、價(jià)值觀、情感態(tài)度觀的培養(yǎng)有著密不可分的關(guān)系。傳統(tǒng)的作文評閱需要教師全程參與，耗時(shí)耗力，而且人工干預(yù)因素較多，對老師的能力和體力都提出了極大的挑戰(zhàn)，因此作文批改的反饋時(shí)間相對較長，無法充分調(diào)動學(xué)生的主觀能動性。

近年來，人工智能教育已經(jīng)深入到教育領(lǐng)域，比如：語音輔助教學(xué)、圖像識別等。其主要得益于深度學(xué)習(xí)的快速發(fā)展，深度學(xué)習(xí)模型由于其復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)和強(qiáng)有效的特征抽取能力在自然語言處理任務(wù)中的表現(xiàn)遠(yuǎn)超于統(tǒng)計(jì)機(jī)器學(xué)習(xí)模型。如果能將人工智能技術(shù)應(yīng)用到作文評閱教育中，讓機(jī)器替代或輔助老師對作文進(jìn)行評分和批改，將極大減輕老師負(fù)擔(dān)，有效支持教育的結(jié)果評價(jià)、過程評價(jià)；同時(shí)，機(jī)器的評閱速度遠(yuǎn)超老師，可以及時(shí)有效地反饋評閱結(jié)果，同時(shí)也給教師留有充足的時(shí)間進(jìn)行個(gè)性化“因材施教”。

傳統(tǒng)的方法利用自然語言處理淺層分析的結(jié)果構(gòu)建特征，如文檔的長度、段落數(shù)、詞匯豐富性等。不難發(fā)現(xiàn)，很多特征與人評價(jià)作文時(shí)考察的維度和深度相距較遠(yuǎn)。作文評閱不僅需要考察其題意、內(nèi)容、語言、文體等基礎(chǔ)等級，還要考察深刻、豐富、文采、創(chuàng)意等發(fā)展等級。

發(fā)明內(nèi)容

本發(fā)明實(shí)施例提供一種基于神經(jīng)網(wǎng)絡(luò)的作文評閱方法和系統(tǒng)，以解決現(xiàn)有技術(shù)的評審文檔方法考察的維度單一的問題。本發(fā)明的基于神經(jīng)網(wǎng)絡(luò)的作文評閱方法和系統(tǒng)是從多維度、多角度考慮，以期客觀公正評閱文檔。

為了解決上述技術(shù)問題，本發(fā)明采用如下技術(shù)方案：

本發(fā)明實(shí)施例提供一種基于神經(jīng)網(wǎng)絡(luò)的作文評閱方法，包括：

獲取待評閱文檔；

根據(jù)所述待評閱文檔的多個(gè)特征信息和預(yù)設(shè)深度神經(jīng)網(wǎng)絡(luò)，得到所述待評閱文檔的特征評閱結(jié)果；

根據(jù)所述特征評閱結(jié)果，加權(quán)求和得到所述待評閱文檔的文檔評閱結(jié)果。

可選的，所述預(yù)設(shè)深度神經(jīng)網(wǎng)絡(luò)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(jié)果包括語句評閱結(jié)果；

所述根據(jù)所述待評閱文檔的多個(gè)特征信息和預(yù)設(shè)深度神經(jīng)網(wǎng)絡(luò)，得到所述待評閱文檔的特征評閱結(jié)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(jìn)行評閱，得到語句評閱結(jié)果；其中，所述全卷積序列到序列模型包括編碼層、注意力機(jī)制和解碼層。

可選的，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(jìn)行評閱，包括：

結(jié)合目標(biāo)語句的上下文，確定參考語句；

使用所述參考語句，按照錯(cuò)誤類型，將所述目標(biāo)語句中的詞語進(jìn)行錯(cuò)誤分析；

根據(jù)所述錯(cuò)誤分析，得到語句評閱結(jié)果。

可選的，所述錯(cuò)誤類型包括：多詞、少詞、錯(cuò)詞、亂序。

可選的，所述根據(jù)所述錯(cuò)誤分析，得到語句評閱結(jié)果，包括：

根據(jù)所述錯(cuò)誤分析，確定錯(cuò)誤詞語在所述待評語文檔的概率；

根據(jù)所述概率，確定所述目標(biāo)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(jié)果。