[發(fā)明專利]一種基于深度語義表征的試題難度預(yù)測方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202111036288.4
• 申請日: 2021-09-06
• 公開（公告）號: CN113743083A
• 公開（公告）日: 2021-12-03
• 發(fā)明（設(shè)計）人: 周東岱;顧恒年;董曉曉;鐘紹春;段智議
• 申請（專利權(quán)）人: 東北師范大學(xué);東北師大理想軟件股份有限公司
• 主分類號: G06F40/20
• 分類號: G06F40/20;G06F16/35;G06K9/62;G06Q10/04;G06Q50/20;G06N3/04;G06N3/08
• 代理公司: 北京高沃律師事務(wù)所 11569
• 代理人: 韓雪梅

1.一種基于深度語義表征的試題難度預(yù)測方法，其特征在于，包括：

基于預(yù)訓(xùn)練語言模型對多類型試題進行文本表征；所述多類型試題包括三種題型，為填空題、選擇題和簡答題；三種題型共包括四種結(jié)構(gòu)文本，為題干文本、答案文本、選項文本和解析文本；

對試題文本表征進行特征提取和融合；

基于多層感知機對融合后的特征進行分類，確定多類型試題的所屬知識點集合；

計算所述知識點集合中各知識點的拓撲距離；

基于深度注意力網(wǎng)絡(luò)模型，根據(jù)融合后的特征確定所述多類型試題的認知層級；

基于所述試題文本表征、知識點拓撲距離以及所述認知層級預(yù)測所述多類型試題的難度。

2.根據(jù)權(quán)利要求1所述的基于深度語義表征的試題難度預(yù)測方法，其特征在于，所述對試題文本表征進行特征提取和融合，具體包括：

采用雙向長短記憶網(wǎng)絡(luò)模型對題干文本表征和解析文本表征進行特征提取；

采用卷積經(jīng)網(wǎng)絡(luò)模型對答案文本表征和選項文本表征進行特征提取；

采用特征融合模型進行特征融合。

3.根據(jù)權(quán)利要求2所述的基于深度語義表征的試題難度預(yù)測方法，其特征在于，所述采用特征融合模型進行特征融合，具體包括：

對于填空題，對提取到的填空題題干文本特征和填空題答案文本特征進行拼接，并輸入到一層BiLSTM和注意力機制層進行融合；

對于選擇題，將各選項文本特征示輸入到一個注意力機制層后和選擇題題干文本特征進行拼接，并輸入到一層BiLSTM和注意力機制層進行融合；

對于簡答題，將簡答題題干文本特征和簡答題答案文本特征進行拼接，并輸入到一層BiLSTM和注意力機制層進行融合；將簡答題解析文本特征和簡答題答案文本特征進行拼接，并輸入到一層BiLSTM和注意力機制層進行融合；將融合后的特征輸入至全連接層進行最終融合。

4.根據(jù)權(quán)利要求1所述的基于深度語義表征的試題難度預(yù)測方法，其特征在于，所述基于所述試題文本表征、知識點拓撲距離以及所述認知層級預(yù)測所述多類型試題的難度，具體包括：

在訓(xùn)練階段，將試題文本表征、知識點拓撲距離和認知層級作為線性回歸模型的輸入，并從答題記錄中獲取樣本試題的得分率作為試題難度的標簽；

在測試階段，通過輸入試題文本表征、知識點拓撲距離和認知層級，預(yù)測當(dāng)前試題的得分率，確定試題的難度。

5.根據(jù)權(quán)利要求1所述的基于深度語義表征的試題難度預(yù)測方法，其特征在于，所述知識點拓撲距離的計算公式如下：

其中，d_q表示試題q的知識點拓撲距離，k_i，k_j表示試題q所屬知識點集合K中的第i、j個知識點，K＝(k₁，k₂...k_N}，N表示知識點個數(shù)。

6.一種基于深度語義表征的試題難度預(yù)測系統(tǒng)，其特征在于，包括：

文本表征模塊，用于基于預(yù)訓(xùn)練語言模型對多類型試題進行文本表征；所述多類型試題包括三種題型，為填空題、選擇題和簡答題；三種題型共包括四種結(jié)構(gòu)文本，為題干文本、答案文本、選項文本和解析文本；

特征提取和融合模塊，用于對試題文本表征進行特征提取和融合；

知識點集合確定模塊，用于基于多層感知機對融合后的特征進行分類，確定多類型試題的所屬知識點集合；

知識點距離計算模塊，用于計算所述知識點集合中各知識點的拓撲距離；

認知層級確定模塊，用于基于深度注意力網(wǎng)絡(luò)模型，根據(jù)融合后的特征確定所述多類型試題的認知層級；

難度預(yù)測模塊，用于基于所述試題文本表征、知識點拓撲距離以及所述認知層級預(yù)測所述多類型試題的難度。