高考历史简答题自动评价方法研究

发布时间：2017-08-29 11:28

  本文关键词：高考历史简答题自动评价方法研究

  更多相关文章： 简答题字动评价 N-gram共现 词性 语义相似度 深度学习

【摘要】：高考是全国范围内最重要的考试之一,试卷评阅质量是决定考生得分的关键环节。高考题目中的主观题包括简答题、论述题、作文题等多个类型,目前全部由人工阅卷评分。但该过程会受到多个因素的影响,例如阅卷人对所判科目的理解全面程度,答题人所列要点清晰程度、卷面整洁程度等,并且阅卷工作量巨大,将耗费一定的人力和时间。因此我们考虑使用自然语言处理方法初步探索用计算机阅卷的可能性。本题目实质上是研究简答题的学生答案与标准答案间的文本相似度和学生答案得分之间的联系,而文本间的匹配可以通过建立多种不同的模型来实现。本文主要从以下几个方面探索了学生答案和标准答案间的相似度:第一,计算文本间的N-gram共现准确率、召回率等是基本思路。我们分析总结了BLEU和ROUGE所使用的N-gram共现计算方法,并将它们应用到了简答题自动评价问题中。我们使用了spearman秩相关系数在答案数据集上检验N-gram共现特征与数据得分之间的相关性。最后通过传统的机器学习方法——排序支持向量机(Ranking supporting vector machine)在这些特征上筛选得到能使模型排序效果最好的特征集合。第二,我们认为仅靠N-gram共现特征是不够的。浅层语言学知识包括词法、句法和语义三个方面,其中词法和语义特征都是需要进一步探索的。文本是由许多不同的词组成,词性不同的词在句子中的重要程度也不同。显然,在学生答案与标准答案间共现的词中动词、名词可能会比其他词性成分重要。因此我们将计算基于词性的词汇共现特征。另外,我们还可以将名词进一步延伸为特定的历史学相关专有名词,也具有一定重要性。语义相似度上我们应用了信息检索中查询与文档间的相似度计算方法。第三,深度学习已逐渐从最开始的计算词的分布表示逐渐发展到计算包含更多语义信息的短语、句子、文本等。词向量一个最基本的应用是计算两个词语的语义相似度。相应的,当我们根据一个完整的语料库训练出的模型得到的句子向量,也应能够给出两个句子的语义相似度。我们利用深度学习中神经网络的方法将学生答案和标准答案表示成包含丰富语义信息的句向量,并将向量间相似度作为学生答案和标准答案间的语义相似度。
【关键词】：简答题字动评价 N-gram共现 词性 语义相似度 深度学习
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：G632.475;TP391.1
【目录】：

• 摘要4-5
• ABSTRACT5-9
• 第1章 绪论9-16
• 1.1 课题背景及研究的目的和意义9-10
• 1.2 国内外研究现状10-14
• 1.2.1 国外研究现状10-13
• 1.2.2 国内研究现状13-14
• 1.3 本文主要研究内容14-15
• 1.4 本文内容安排15-16
• 第2章 基于N-gram共现的简答题自动评价研究16-33
• 2.0 引言16
• 2.1 历史简答题样本分布分析16-18
• 2.2 历史简答题学生答案得分点分析18-20
• 2.3 n-gram共现特征的计算方法20-24
• 2.3.1 BLEU和N-gram共现20-21
• 2.3.2 ROUGE和N-gram共现21-24
• 2.4 模型与评价方法24-27
• 2.4.1 SVM排序模型24-26
• 2.4.2 spearman秩相关系数简介26-27
• 2.5 实验方法与实验结果27-32
• 2.5.1 N-gram共现特征的提取27-30
• 2.5.2 特征对比实验30-31
• 2.5.3 基于N-gram特征的SVM排序模型实验31-32
• 2.6 本章小结32-33
• 第3章 面向浅层语言学知识的简答题自动评价研究33-45
• 3.1 引言33
• 3.2 基于词性的词汇共现特征33-35
• 3.3 基于命名实体识别的词汇共现特征35-37
• 3.4 基于检索模型的相似度特征37-42
• 3.4.1 基于概率检索模型的相似度计算方法37-39
• 3.4.2 基于语言模型的相似度计算方法39-40
• 3.4.3 基于向量空间模型的相似度计算方法40-42
• 3.4.4 特征提取与分析42
• 3.5 基于面向语言学知识特征的排序模型实验42-44
• 3.6 本章小结44-45
• 第4章 基于深度学习的简答题自动评价45-57
• 4.1 引言45
• 4.2 基于神经网络的句向量生成方法介绍45-51
• 4.2.1 Skip-Thought方法介绍45-48
• 4.2.2 Paragraph Vector方法介绍48-51
• 4.3 基于句向量的语义相似度特征提取51-54
• 4.3.1 基于skip-thought的语义相似度特征提取51-54
• 4.3.2 基于Paragraph Vector的语义相似度特征提取54
• 4.4 基于深度学习的相似度特征的排序模型实验54-56
• 4.5 本章小结56-57
• 结论57-59
• 参考文献59-63
• 致谢63

，

本文编号：753052