CN118627498B 主觀題答案自動評分方法、裝置、電子設備及存儲介質 （中國科學院自動化研究所）

號題答案自動評分模型，輸出學生答案的評分結升了對學生主觀題答案進行全面和準確評價的2將所述主觀題的學生答案、標準答案、題目和采分點信息輸入至主觀所述主觀題答案自動評分模型是基于第一語言處理模型、第二語在所述將所述主觀題的學生答案、標準答案、題獲取主觀題樣本的學生答案、標準答案、題目、答案得分和將所述主觀題樣本的學生答案和標準答案輸入至初始主觀題答案自動評分模型中的將所述主觀題樣本的學生答案和標準答案輸入至所述初始主觀題答案自動評分模型采用自回歸方法對所述初始主觀題答案自動評分模型中的第三語言處理模型進行訓基于所述句子相似度損失和所述自回歸損失，對所述初始主觀題將所述學生答案和所述標準答案分別輸入至所述句子向量表示處理向量表示處理層輸出的所述學生答案的第一句子向量表示和所述標準答案的第二句子向將所述第一句子向量表示和所述第二句子向量表示輸入至所述第到所述第一相似度計算層輸出的所述學生答案中的段落與所述標準答案中的段落兩兩之將所述學生答案中的段落與所述標準答案中的段落兩兩之間的相似度輸入至所述相3和第二均值池化層；所述第一BERT網絡層與所述第二BERT網絡層之間共享彼此的網絡參句子向量表示處理層輸出的所述學生答案的第一句子向量表示和所述標準答案的第二句將所述學生答案輸入至所述第一BERT網絡層，得到所述第一BERT網生答案的字詞向量表示，并將所述標準答案輸入至所述第二BERT網絡層，得到所述第二將所述學生答案的字詞向量表示輸入至所述第一均值池化層，得將所述學生答案和所述標準答案分別輸入至所述詞嵌入模型，得到將所述學生答案和所述第一候選詞分別輸入至所述第三BERT網絡層，得到所述第三層輸出的所述標準答案的字詞向量表示和所述第二候選詞的字詞向將所述學生答案的字詞向量表示和所述第一候選詞的字詞向量表示輸入至所述第二將所述第一候選詞與所述學生答案之間的相似度輸入至所述關將所述初始評分和所述目標提示信息輸入至所述大語言模型，得到4所述主觀題答案自動評分模型是基于第一語言處理模型、第二語將所述主觀題樣本的學生答案和標準答案輸入至初始主觀題答案自動評分模型中的將所述主觀題樣本的學生答案和標準答案輸入至所述初始主觀題答案自動評分模型采用自回歸方法對所述初始主觀題答案自動評分模型中的第三語言處理模型進行訓基于所述句子相似度損失和所述自回歸損失，對所述初始主觀題將所述學生答案和所述標準答案分別輸入至所述句子向量表示處理向量表示處理層輸出的所述學生答案的第一句子向量表示和所述標準答案的第二句子向將所述第一句子向量表示和所述第二句子向量表示輸入至所述第到所述第一相似度計算層輸出的所述學生答案中的段落與所述標準答案中的段落兩兩之將所述學生答案中的段落與所述標準答案中的段落兩兩之間的相似度輸入至所述相8.一種電子設備，包括存儲器、處理器及存儲程序被處理器執行時實現如權利要求1至5任一項所述主觀題答5三語言處理模型構建的；所述第一語言處理模型用于基于所述學生答案和所述標準答案，句子向量表示處理層輸出的所述學生答案的第一句子向量表示和所述標準答案的第二句[0012]將所述第一句子向量表示和所述第二句子向量表示輸入至所述第一相似度計算[0013]將所述學生答案中的段落與所述標準答案中的段落兩兩之間的相似度輸入至所6示處理層輸出的所述學生答案的第一句子向量表示和所述標準答案的第二句子向量表示，二BERT網絡層輸出的所述標準答案的字詞型輸出的所述學生答案的第一候選詞和所述標準答案的第二候絡層輸出的所述標準答案的字詞向量表示和所述第二候選詞的字[0020]將所述學生答案的字詞向量表示和所述第一候選詞的字詞向量表示輸入至所述7[0027]將所述主觀題樣本的學生答案和標準答案輸入至初始主觀題答案自動評分模型[0028]將所述主觀題樣本的學生答案和標準答案輸入至所述初始主觀題答案自動評分[0029]采用自回歸方法對所述初始主觀題答案自動評分模型中的第三語言處理模型進解釋信息、所述主觀題樣本的學生答案的關鍵詞和所述主觀題樣本的標準答案的關鍵詞，三語言處理模型構建的；所述第一語言處理模型用于基于所述學生答案和所述標準答案，句子向量表示處理層輸出的所述學生答案的第一句子向量表示和所述標準答案的第二句[0037]將所述第一句子向量表示和所述第二句子向量表示輸入至所述第一相似度計算[0038]將所述學生答案中的段落與所述標準答案中的段落兩兩之間的相似度輸入至所8機程序被處理器執行時實現如上述任一種所述主觀題答案自[0052]圖1是本發明提供的主觀題答案自動評分方法的流程示意圖之一，該方法中各步9驟的執行主體可以是主觀題答案自動評分模型構建的裝置，該裝置可通過軟件和/或硬件[0057]本發明實施例所描述的第一關鍵詞指的是對主觀題學生答案中的文本信息進行[0058]本發明實施例所描述的第二關鍵詞指的是對主觀題標準答案中的文本信息進行[0059]本發明實施例所描述的第二語言處理模型用于提取主觀題學生答案的第一關鍵[0060]本發明實施例所描述的第三語言處理模型用于對主觀題的學生答案、標準答案、[0061]本發明實施例所描述的評分結果包括目標得分、目標得分的解釋信息和推理信目和采分點信息后，利用一類語言處理模型對主觀題的學生答案和標準答案進行初級評處理層輸出的學生答案的第一句子向量表示和標準答案的第二句子向似度計算層輸出的學生答案中的段落與標準答案中的段落[0069]將學生答案中的段落與標準答案中的段落兩兩之間的相似度輸入至相似度匹配[0071]本發明實施例所描述的第二句子向量表示指的是對主觀題標準答案進行段落級[0072]本發明實施例所描述的句子向量表示處理層用于對主觀題的學生答案和標準答[0073]本發明實施例所描述的第一相似度計算層用于計算第一句子向量表示和第二句子向量表示之間相似度，以表征學生答案中的段落與標準答案中的段落兩兩之間的相似[0074]本發明實施例所描述的相似度匹配層用于根據學生答案中的段落與標準答案中確定學生答案的初始評分。其具體可以采用最優匹配算法構建，如匈牙利算法(Kuhn_生答案的第一句子向量表示和標準答案的第及依次連接的第二BERT網絡層230和第二均值池化層240；第一BERT網絡層210與第二BERT網絡層230之間共享彼此的網絡參數；將學生答案和標準答案分別輸入至句子向量表示處理層，得到所述句子向量表示處理層200輸出的學生答案的第一句子向量表示和標準答案構相同的Sentence_BERT模型構建，且兩個Sentence_BERT模型之間共享網絡參數。兩個為兩個Sentence_BERT模型中的一個Sentence_BERT模型，第二BERT網絡層為兩個Sentence_BERT模型中的另一個Sente[0084]本發明實施例的方法，通過采用基于孿生網絡的Sentence_BERT模型來構建句子[0088]式中，CosineSimilarity(A,B)表示學生答案中的段落與標準答案中的段落兩兩0表示步驟S4中找到的未被覆蓋的Z1[0106]將學生答案的字詞向量表示和第一候選詞的字詞向量表示輸入至第二相似度計[0109]本發明實施例所描述的第二候選詞指的是通過詞嵌入模型對標準答案進行短語[0111]在本發明的實施例中，為了識別學生答案和標準答案文檔中的關鍵信息，采用[0128]將主觀題樣本的學生答案和標準答案輸入至初始主觀題答案自動評分模型中的[0129]將主觀題樣本的學生答案和標準答案輸入至初始主觀題答案自動評分模型中的[0130]采用自回歸方法對初始主觀題答案自動評分模型中的第三語言處理模型進行訓利用預設損失函數，基于第三句子向量表示與第四句子向量表示之間的相似度和答案得樣本的學生答案的關鍵詞和主觀題樣本的標準答案的關鍵案自動評分模型可用于實現對于多段落文章的自動[0154]本實施例所述的主觀題答案自動評分裝置可以用于執行上述主觀題答案自動評目和采分點信息后，利用一類語言處理模型對主觀題的學生答案和標準答案進行初級評處理層輸出的學生答案的第一句子向量表示和標準答案的第二句子向似度計算層輸出的學生答案中的段落與標準答案中的段落[0159]將學生答案中的段落與標準答案中的段落兩兩之間的相似度輸入至相似度匹配輸出所述學生答案的評分結果；所述主觀題答案自動評分模型是基于第一語言處理模型、[0161]此外，上述的存儲器530中的邏輯指令可以通過軟件功能單元的形式實現并作為發明的技術方案本質上或者說對現有技術做出貢獻的部分或者該技術方案的部分可以