本文關(guān)鍵詞：高考?xì)v史簡答題自動評價方法研究

  更多相關(guān)文章： 簡答題字動評價 N-gram共現(xiàn) 詞性 語義相似度 深度學(xué)習(xí)

【摘要】：高考是全國范圍內(nèi)最重要的考試之一,試卷評閱質(zhì)量是決定考生得分的關(guān)鍵環(huán)節(jié)。高考題目中的主觀題包括簡答題、論述題、作文題等多個類型,目前全部由人工閱卷評分。但該過程會受到多個因素的影響,例如閱卷人對所判科目的理解全面程度,答題人所列要點(diǎn)清晰程度、卷面整潔程度等,并且閱卷工作量巨大,將耗費(fèi)一定的人力和時間。因此我們考慮使用自然語言處理方法初步探索用計算機(jī)閱卷的可能性。本題目實(shí)質(zhì)上是研究簡答題的學(xué)生答案與標(biāo)準(zhǔn)答案間的文本相似度和學(xué)生答案得分之間的聯(lián)系,而文本間的匹配可以通過建立多種不同的模型來實(shí)現(xiàn)。本文主要從以下幾個方面探索了學(xué)生答案和標(biāo)準(zhǔn)答案間的相似度:第一,計算文本間的N-gram共現(xiàn)準(zhǔn)確率、召回率等是基本思路。我們分析總結(jié)了BLEU和ROUGE所使用的N-gram共現(xiàn)計算方法,并將它們應(yīng)用到了簡答題自動評價問題中。我們使用了spearman秩相關(guān)系數(shù)在答案數(shù)據(jù)集上檢驗(yàn)N-gram共現(xiàn)特征與數(shù)據(jù)得分之間的相關(guān)性。最后通過傳統(tǒng)的機(jī)器學(xué)習(xí)方法——排序支持向量機(jī)(Ranking supporting vector machine)在這些特征上篩選得到能使模型排序效果最好的特征集合。第二,我們認(rèn)為僅靠N-gram共現(xiàn)特征是不夠的。淺層語言學(xué)知識包括詞法、句法和語義三個方面,其中詞法和語義特征都是需要進(jìn)一步探索的。文本是由許多不同的詞組成,詞性不同的詞在句子中的重要程度也不同。顯然,在學(xué)生答案與標(biāo)準(zhǔn)答案間共現(xiàn)的詞中動詞、名詞可能會比其他詞性成分重要。因此我們將計算基于詞性的詞匯共現(xiàn)特征。另外,我們還可以將名詞進(jìn)一步延伸為特定的歷史學(xué)相關(guān)專有名詞,也具有一定重要性。語義相似度上我們應(yīng)用了信息檢索中查詢與文檔間的相似度計算方法。第三,深度學(xué)習(xí)已逐漸從最開始的計算詞的分布表示逐漸發(fā)展到計算包含更多語義信息的短語、句子、文本等。詞向量一個最基本的應(yīng)用是計算兩個詞語的語義相似度。相應(yīng)的,當(dāng)我們根據(jù)一個完整的語料庫訓(xùn)練出的模型得到的句子向量,也應(yīng)能夠給出兩個句子的語義相似度。我們利用深度學(xué)習(xí)中神經(jīng)網(wǎng)絡(luò)的方法將學(xué)生答案和標(biāo)準(zhǔn)答案表示成包含豐富語義信息的句向量,并將向量間相似度作為學(xué)生答案和標(biāo)準(zhǔn)答案間的語義相似度。
【關(guān)鍵詞】：簡答題字動評價 N-gram共現(xiàn) 詞性 語義相似度 深度學(xué)習(xí)
【學(xué)位授予單位】：哈爾濱工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：G632.475;TP391.1
【目錄】：

• 摘要4-5
• ABSTRACT5-9
• 第1章 緒論9-16
• 1.1 課題背景及研究的目的和意義9-10
• 1.2 國內(nèi)外研究現(xiàn)狀10-14
• 1.2.1 國外研究現(xiàn)狀10-13
• 1.2.2 國內(nèi)研究現(xiàn)狀13-14
• 1.3 本文主要研究內(nèi)容14-15
• 1.4 本文內(nèi)容安排15-16
• 第2章 基于N-gram共現(xiàn)的簡答題自動評價研究16-33
• 2.0 引言16
• 2.1 歷史簡答題樣本分布分析16-18
• 2.2 歷史簡答題學(xué)生答案得分點(diǎn)分析18-20
• 2.3 n-gram共現(xiàn)特征的計算方法20-24
• 2.3.1 BLEU和N-gram共現(xiàn)20-21
• 2.3.2 ROUGE和N-gram共現(xiàn)21-24
• 2.4 模型與評價方法24-27
• 2.4.1 SVM排序模型24-26
• 2.4.2 spearman秩相關(guān)系數(shù)簡介26-27
• 2.5 實(shí)驗(yàn)方法與實(shí)驗(yàn)結(jié)果27-32
• 2.5.1 N-gram共現(xiàn)特征的提取27-30
• 2.5.2 特征對比實(shí)驗(yàn)30-31
• 2.5.3 基于N-gram特征的SVM排序模型實(shí)驗(yàn)31-32
• 2.6 本章小結(jié)32-33
• 第3章 面向淺層語言學(xué)知識的簡答題自動評價研究33-45
• 3.1 引言33
• 3.2 基于詞性的詞匯共現(xiàn)特征33-35
• 3.3 基于命名實(shí)體識別的詞匯共現(xiàn)特征35-37
• 3.4 基于檢索模型的相似度特征37-42
• 3.4.1 基于概率檢索模型的相似度計算方法37-39
• 3.4.2 基于語言模型的相似度計算方法39-40
• 3.4.3 基于向量空間模型的相似度計算方法40-42
• 3.4.4 特征提取與分析42
• 3.5 基于面向語言學(xué)知識特征的排序模型實(shí)驗(yàn)42-44
• 3.6 本章小結(jié)44-45
• 第4章 基于深度學(xué)習(xí)的簡答題自動評價45-57
• 4.1 引言45
• 4.2 基于神經(jīng)網(wǎng)絡(luò)的句向量生成方法介紹45-51
• 4.2.1 Skip-Thought方法介紹45-48
• 4.2.2 Paragraph Vector方法介紹48-51
• 4.3 基于句向量的語義相似度特征提取51-54
• 4.3.1 基于skip-thought的語義相似度特征提取51-54
• 4.3.2 基于Paragraph Vector的語義相似度特征提取54
• 4.4 基于深度學(xué)習(xí)的相似度特征的排序模型實(shí)驗(yàn)54-56
• 4.5 本章小結(jié)56-57
• 結(jié)論57-59
• 參考文獻(xiàn)59-63
• 致謝63

，

本文編號：753052