[發(fā)明專利]一種基于神經網絡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

本發(fā)明提供了一種基于神經網絡的作文評閱方法和系統(tǒng)，涉及自然語言處理領域。所述方法包括：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。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維度考察待評閱文檔的質量：詞匯錯誤程度、篇章結構、主題、文采等，使得本發(fā)明能實現(xiàn)對文檔的自動評分。

技術領域

本發(fā)明涉及自然語言處理領域，特別涉及一種基于神經網絡的作文評閱方法和系統(tǒng)。

背景技術

作文教學一直以來都是語文學科教育的重要問題，也是整個社會教育的問題，作文教育與孩子的認知、價值觀、情感態(tài)度觀的培養(yǎng)有著密不可分的關系。傳統(tǒng)的作文評閱需要教師全程參與，耗時耗力，而且人工干預因素較多，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間相對較長，無法充分調動學生的主觀能動性。

近年來，人工智能教育已經深入到教育領域，比如：語音輔助教學、圖像識別等。其主要得益于深度學習的快速發(fā)展，深度學習模型由于其復雜的網絡結構和強有效的特征抽取能力在自然語言處理任務中的表現(xiàn)遠超于統(tǒng)計機器學習模型。如果能將人工智能技術應用到作文評閱教育中，讓機器替代或輔助老師對作文進行評分和批改，將極大減輕老師負擔，有效支持教育的結果評價、過程評價；同時，機器的評閱速度遠超老師，可以及時有效地反饋評閱結果，同時也給教師留有充足的時間進行個性化“因材施教”。

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

發(fā)明內容

本發(fā)明實施例提供一種基于神經網絡的作文評閱方法和系統(tǒng)，以解決現(xiàn)有技術的評審文檔方法考察的維度單一的問題。本發(fā)明的基于神經網絡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。

為了解決上述技術問題，本發(fā)明采用如下技術方案：

本發(fā)明實施例提供一種基于神經網絡的作文評閱方法，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。

可選的，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。

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。

可選的，所述錯誤類型包括：多詞、少詞、錯詞、亂序。

可選的，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。