綜合素質評價是素質教育的一項規(guī)范,開發(fā)針對綜合素質評價的管理系統(tǒng)非常有必要,不僅可以方便管理在讀學生的學習狀態(tài),歸檔后的數(shù)據(jù)也是將來進一步提高素質教育水平的重要參考。但目前的素質評測存在很強的主觀性,主要體現(xiàn)在控制權集中在班主任手中,以及某些學校的評測過程往往不透明、不公開,導致社會上對于綜合素質評價仍然存在質疑。本文使用江西省普通高中畢業(yè)生往年的綜合素質評價數(shù)據(jù),通過基于大數(shù)據(jù)的文本生成方法,以及完全的線上管理,在一定程度上降低參評者的主觀影響,提高評語填寫的公正性;同時減少教師在撰寫評語上所花費的時間,提高工作效率。本文針對素質教育評語內容的生成,對計算機自動文本生成進行了深入的研究分析。首先分類和總結了文本生成領域的研究成果,對幾種相關的神經(jīng)網(wǎng)絡的基本概念、具體結構以及訓練方法進行了介紹說明。在此基礎上,根據(jù)調研提出的下游任務在序列生成對抗網(wǎng)絡模型上進行改進,分別在判別器和生成器中加入關聯(lián)語義對特征及隱變量的影響,實現(xiàn)了基于抽象的關聯(lián)語義控制的評語生成方法,使得網(wǎng)絡能夠根據(jù)輸入的評價等級生成符合預期效果的文本。并且采用了自動評測和人工評測兩種方式互補建立評價系統(tǒng)。實驗結果表明,該... 

【文章來源】：南昌大學江西省 211工程院校

【文章頁數(shù)】：75 頁

【學位級別】：碩士

【部分圖文】：

圖２．１循環(huán)神經(jīng)網(wǎng)絡按序列展開??

?第２章文本生成相關理論與技術???Ｑ?Ｑ?？??Ａ?＋??？／＊￣?ＴＴ?Ｚ＂?＂７?ｐ＼??ＹＹｃｅｈｅｉ?￥?ｘ?ｌｉｐ?ｆ?Ｖ?ｏｐ］?：?ｖ�。椋�??「＋９?ｒ．－．＾?＼?Ｉ?—?’甲?ｒ－＾＞?：?｜?ｒｉ?ｒ￣＞６?Ｉ??？ｍ?ｃ±３?ｕｓｅｉ?ｗ?．?ｉ±ｉ?ｍ?ｓｉｉＤ?ｍ?ｉ?ｃｆａ?ｍ?國?ｍ?廠、??－寸－Ｌ?丄一．」一」吻二二?Ｊ?丄丨―ｉ—?Ｌ－＾｜■．個》??？?？?？??圖２．２?ＬＳＴＭ單元結構??相比ＲＮＮ只有一個傳遞狀態(tài)，引入門限機制的ＬＳＴＭ記憶單元在每個時??間步ｔ接收的輸出有三個，一是當前步輸入值，另外兩個傳輸狀態(tài)，一個是細??胞狀態(tài)Ｃｇ?（ｃｅｌｌ?ｓｔａｔｅ），和一個隱藏狀態(tài)（ｈｉｄｄｅｎ?ｓｔａｔｅ），經(jīng)過處理后輸出??變?yōu)楫斍安降碾[狀態(tài)Ｚｉｔ和當前步的傳輸狀態(tài)ｃｔ，實際上ＬＳＴＭ的＆對應著ＲＮＮ??中的這兩個變量在傳遞過程中的對比，＾的改變過程較慢，一般是由上一個??時間步的ｃｔ＿ｉ加上一些其他數(shù)值，保存著節(jié)點的信息；心主要是為了和當前輸入??組合來獲得門控信號，所以在不同時間步的變化相差較大。??門的結構可以看作一個全連接層，以某隱狀態(tài)和輸入；＾拼接進行計算，??門的輸出是一個值域為［０，?１］的實數(shù)向量。??遺忘門根據(jù)隱狀態(tài)和輸入的拼接計算結果選擇性地剔除傳輸狀態(tài)信息控制??長期單元狀態(tài)：??ｆｔ?＝?（ｒ（Ｗｆ?■?［ｈｔ＾．Ｘｔ］?＋?ｂｆ）?（２．２）??輸入門則是選擇性地記憶輸入信息以控制添加到傳輸狀態(tài)：??ｉｔ?＝?ａ（Ｗｉ?■?［／ｉｔ＿ｉ，ｘｔ］?＋?ｂｔ）?（２．３）??輸出門決定將傳輸狀態(tài)中的哪

?第２章文本生成相關理論與技術???生成方法通常會假設數(shù)據(jù)總是服從某一分布的，使用極大似然估計盡可能地使??模型生成的數(shù)據(jù)逼近這一分布，而生成對抗網(wǎng)絡的訓練是兩個主體在對抗博弈??的狀態(tài)當中無監(jiān)督地進行自我更新。??生成對抗網(wǎng)絡是一種結構框架，結構如圖２．４，而并不代指某一特定網(wǎng)絡模??型。這種結構并不復雜，主要包含“生成器（Ｇｅｎｅｒａｔｏｒ?）?”和“判別器（Ｄｉｓｃｒｉｍｉｎａｔｏｒ）?”??兩部分。在這個結構中，生成器只需要滿足符合最終目標是生成擬合真實樣本分??布數(shù)據(jù)的要求，在形式上并沒有任何約束。實際上在沒有判別器的情況下生成??器也能夠運作，只是訓練目標不一樣，生成器單獨運作時，需要人工定義損失函??數(shù)，然而實際情況下人工定義的表征能力非常有限，損失函數(shù)的定義通常是片面??的，因而導致模型收斂之后生成結果并不一定能夠達到預期，尤其是在文本處理??的任務上。生成對抗網(wǎng)絡可以在一定程度上解決這一問題，判別器在這個結構當??中的角色相當于一個不斷自我更新的目標函數(shù)，其最終目的是最小化生成樣本??被判斷為真的概率，同時最小化真實樣本被判定為假的概率，對抗訓練中生成器??的更新總是以判別器結果作為依據(jù)的，目標是最小化生成樣本與真實樣本之間??的分布差異。??生成?更動??ｆ?生成文本?ｊ??ｆ?真實文本?Ｊ?？??判劄器網(wǎng)絡一判斷－??圖２．４生成對抗網(wǎng)絡框架總體結構圖??在生成對抗網(wǎng)絡框架中，將生成器抽象為Ｇ（＿）函數(shù)，Ｇ（〇所生成的樣本分布??記為ｐｓ（ｘ），真實樣本的分布相應記為ｐｄａｔａ（ｘ）；判別器則抽象為Ｄ（〇函數(shù)，／）（？??）的輸出是一個標量，代表一個二分類結果，在數(shù)據(jù)采樣足夠充


本文編號：2968288