一种主观题阅卷评分方法、装置、计算机设备及存储介质

技术领域

本发明涉及自然语言处理技术领域，尤其涉及一种应用于主观题阅卷的评分方法、装置、计算机设备及存储介质。

背景技术

近年来，电子信息技术不断发展并日益深入到不同的行业领域，并逐步取代繁复的人工操作，极大地提高了事务的处理效率。目前，通过自动扫描实现电子阅卷技术已经得到普遍应用，相比于传统的人工阅卷方式，电子阅卷在大幅提高阅卷速度的同时，能够有效地避免人为失误导致的阅卷错误，提高试卷评判的准确度与公平性。

然而，针对“主观题”的阅卷评分操作，由于其“主观题”本身存在非固定性因数，从而导致主观题的表述相当复杂性，仍然需要人工进行评分，但是，人工评分往往都是由某一位老师专门负责固定的一道主观题，效率低，而且浪费了大量的人力、物力资源。

发明内容

本发明实施例的目的在于提出一种应用于主观题阅卷的评分方法、装置、计算机设备及存储介质，以解决传统的主观题阅卷评分方法存在的效率低，而且浪费了大量的人力、物力资源的问题。

为了解决上述技术问题，本发明实施例提供一种应用于主观题阅卷的评分方法，采用了如下所述的技术方案：

接收阅卷评分请求，所述阅卷评分请求至少携带有固定文本数据、填空文本数据或者简答文本数据中的一种或者多种组合；

读取本地数据库，在所述本地数据库中获取标准文本数据；

根据正则表达式分别对所述固定文本数据进行相似度判断操作，得到各个所述固定文本数据相对应的固定文本得分；

结合所述填空文本数据以及与所述填空文本数据相对应的上下关联文本，得到填空句子文本；

根据语义分析模型对所述填空句子文本进行语义分析操作，得到填空语义特征；

根据余弦相似度算法对每个所述填空语义特征进行余弦相似度计算操作，得到与各个所述填空文本数据相对应的填空文本得分；

对所述简答文本数据进行预处理操作，得到关键文本数据；

根据所述语义分析模型对所述关键文本数据进行所述语义分析操作，得到简答语义特征；

根据所述余弦相似度算法对每个所述简答语义特征进行余弦相似度计算操作，得到与各个所述简答文本数据相对应的简答文本得分；

整合所述固定文本得分、所述填空文本得分以及所述简答文本得分，得到最终阅卷评分。

为了解决上述技术问题，本发明实施例还提供一种应用于主观题阅卷的评分装置，采用了如下所述的技术方案：

请求获取模块，用于接收阅卷评分请求，所述阅卷评分请求至少携带有固定文本数据、填空文本数据或者简答文本数据中的一种或者多种组合；

标准数据获取模块，用于读取本地数据库，在所述本地数据库中获取标准文本数据；

固定文本得分模块，用于根据正则表达式分别对所述固定文本数据进行相似度判断操作，得到各个所述固定文本数据相对应的固定文本得分；

文本结合模块，用于结合所述填空文本数据以及与所述填空文本数据相对应的上下关联文本，得到填空句子文本；

填空语义分析模块，用于根据语义分析模型对所述填空句子文本进行语义分析操作，得到填空语义特征；

填空文本得分模块，用于根据余弦相似度算法对每个所述填空语义特征进行余弦相似度计算操作，得到与各个所述填空文本数据相对应的填空文本得分；

预处理模块，用于对所述简答文本数据进行预处理操作，得到关键文本数据；

简答语义分析模块，用于根据所述语义分析模型对所述关键文本数据进行所述语义分析操作，得到简答语义特征；

简答得分模块，用于根据所述余弦相似度算法对每个所述简答语义特征进行余弦相似度计算操作，得到与各个所述简答文本数据相对应的简答文本得分；

阅卷评分模块，用于整合所述固定文本得分、所述填空文本得分以及所述简答文本得分，得到最终阅卷评分。

为了解决上述技术问题，本发明实施例还提供一种计算机设备，采用了如下所述的技术方案：

包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现如上所述的应用于主观题阅卷的评分方法的步骤。

为了解决上述技术问题，本发明实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：

所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现如上所述的应用于主观题阅卷的评分方法的步骤。

与现有技术相比，本发明实施例主要有以下有益效果：

本发明提供了一种应用于主观题阅卷的评分方法，包括：接收阅卷评分请求，所述阅卷评分请求至少携带有固定文本数据、填空文本数据或者简答文本数据中的一种或者多种组合；读取本地数据库，在所述本地数据库中获取标准文本数据；根据正则表达式分别对所述固定文本数据进行相似度判断操作，得到各个所述固定文本数据相对应的固定文本得分；结合所述填空文本数据以及与所述填空文本数据相对应的上下关联文本，得到填空句子文本；根据语义分析模型对所述填空句子文本进行语义分析操作，得到填空语义特征；根据余弦相似度算法对每个所述填空语义特征进行余弦相似度计算操作，得到与各个所述填空文本数据相对应的填空文本得分；对所述简答文本数据进行预处理操作，得到关键文本数据；根据所述语义分析模型对所述关键文本数据进行所述语义分析操作，得到简答语义特征；根据所述余弦相似度算法对每个所述简答语义特征进行余弦相似度计算操作，得到与各个所述简答文本数据相对应的简答文本得分；整合所述固定文本得分、所述填空文本得分以及所述简答文本得分，得到最终阅卷评分。本发明根据不同的题型设置相应的评分计算方法，其中，根据语义分析模型对非固定答案的文本进行语义分析，已获得真实的语义信息，并基于真实的语义信息判断答题内容是否得分，最终整合各种题型的得分情况，得到最终的总分，从而有效释放人力、物力资源，极大解决了传统的主观题阅卷评分方法存在的效率低，而且浪费了大量的人力、物力资源的问题。

附图说明

为了更清楚地说明本发明中的方案，下面将对本发明实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一提供的应用于主观题阅卷的评分方法的实现流程图；

图2是本发明实施例一提供的获取语义分析模型的实现流程图；

图3是本发明实施例一提供的第一特征表示向量获取方法的实现流程图；

图4是本发明实施例一提供的第二特征表示向量获取方法的实现流程图；

图5是本发明实施例一提供的应用于主观题阅卷的评分装置的结构示意图；

图6是根据本发明的计算机设备的一个实施例的结构示意图。

具体实施方式

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同；本文中在发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明；本发明的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本发明的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。

在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

为了使本技术领域的人员更好地理解本发明方案，下面将结合附图，对本发明实施例中的技术方案进行清楚、完整地描述。

如图1所示，示出了本发明实施例一提供的应用于主观题阅卷的评分方法的实现流程图，为了便于说明，仅示出与本发明相关的部分。

上述的应用于主观题阅卷的评分方法，包括以下步骤：

步骤S101：接收阅卷评分请求，阅卷评分请求至少携带有固定文本数据、填空文本数据或者简答文本数据中的一种或者多种组合；

步骤S102：读取本地数据库，在本地数据库中获取标准文本数据；

步骤S103：根据正则表达式分别对固定文本数据进行相似度判断操作，得到各个固定文本数据相对应的固定文本得分；

步骤S104：结合填空文本数据以及与填空文本数据相对应的上下关联文本，得到填空句子文本；

步骤S105：根据语义分析模型对填空句子文本进行语义分析操作，得到填空语义特征；

步骤S106：根据余弦相似度算法对每个填空语义特征进行余弦相似度计算操作，得到与各个填空文本数据相对应的填空文本得分；

步骤S107：对简答文本数据进行预处理操作，得到关键文本数据；

步骤S108：根据语义分析模型对关键文本数据进行语义分析操作，得到简答语义特征；

步骤S109：根据余弦相似度算法对每个简答语义特征进行余弦相似度计算操作，得到与各个简答文本数据相对应的简答文本得分；

步骤S110：整合固定文本得分、填空文本得分以及简答文本得分，得到最终阅卷评分。

在本发明实施例中，对于固定答案问题判断内容与标答是否一致，通过一致性判断给出分数；对于非固定答案的填空题，则先联系答案周围的上下文，通过基于注意力编解码机制的循环迭代神经网络计算出包含答案句子的语义特征，比对具有最近余弦距离的标准答案语义特征，根据平均距离确定考生作答是否得分；对于简答题要先将考生答案的段落进行一些预处理，例如拆解为句子和词语、进行停用词去除操作来减少停用词对判断造成的干扰，根据简答题的得分点检索对应的考生答案子句，得到一个考生基本得分，通过基于注意力编解码机制的双塔循环迭代神经网络计算出包含得分点的子句语义情感是否同标准答案一致，最终整合各得分部分得出最终得分。

在本发明实施例中，语义分析操作可以是基于注意力编码机制的循环迭代神经网络计算出包含答案句子的语义特征，其中，该神经网络的计算过程可以是：

Step1：

inputs＝(x

输入嵌入序列

输入嵌入序列由3个子嵌入组成：

Embedding

Embedding

Embedding

Embedding

最终输入序列为：

Step2：

设χ＝Embedding：

分配权重

矩阵W

MultiHeadAttention＝Concat(head

即MultiHeadAttention＝Linear(MultiHeadAttention)

Step3：

将结果合并输入数据，矩阵尺寸不变：

X

计算X

其中⊙表示元素相乘，α和β为可训练参数，∈为一个正的极小值。

Setp4：

设函数g为：

LN计算完成后将数据传入一个前馈神经网络：

X

Steps5：

再次将结果合并：

X

然后将计算结果归一化：

X

Steps6：

将Steps2～Steps5的计算过程重复12次，即可得到上述填空语义特征，应当理解的是，在下述根据所述语义分析模型对所述关键文本数据进行所述语义分析操作，得到简答语义特征的步骤中，该神经网络的计算过程与上述过程相同。

在本发明实施例中，分句技术和停用词去除技术都是根据查表实现的，从大量的原始语料中提取出来。分句技术除了从语料中提取以外还考虑到了键盘打字存在的符号误用等情况。

在本发明实施例中，余弦相似度也称为余弦距离，是用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小的度量。从上述语义分析模型得到的结果就是句子的语义向量，也就是在语义空间中有长度有方向的语义向量。两个句子在语义上越相近，那么在方向上应该越一致。

在本发明实施例中，提供了一种应用于主观题阅卷的评分方法，包括：接收阅卷评分请求，所述阅卷评分请求至少携带有固定文本数据、填空文本数据或者简答文本数据中的一种或者多种组合；读取数据库，在所述数据库中获取标准文本数据；根据正则表达式分别对所述固定文本数据进行相似度判断操作，得到各个所述固定文本数据相对应的固定文本得分；结合所述填空文本数据以及与所述填空文本数据相对应的上下关联文本，得到填空句子文本；根据语义分析模型对所述填空句子文本进行语义分析操作，得到填空语义特征；根据余弦相似度算法对每个所述填空语义特征进行余弦相似度计算操作，得到与各个所述填空文本数据相对应的填空文本得分；对所述简答文本数据进行预处理操作，得到关键文本数据；根据所述语义分析模型对所述关键文本数据进行所述语义分析操作，得到简答语义特征；根据所述余弦相似度算法对每个所述简答语义特征进行余弦相似度计算操作，得到与各个所述简答文本数据相对应的简答文本得分；整合所述固定文本得分、所述填空文本得分以及所述简答文本得分，得到最终阅卷评分。本发明根据不同的题型设置相应的评分计算方法，其中，根据语义分析模型对非固定答案的文本进行语义分析，已获得真实的语义信息，并基于真实的语义信息判断答题内容是否得分，最终整合各种题型的得分情况，得到最终的总分，从而有效释放人力、物力资源，极大解决了传统的主观题阅卷评分方法存在的效率低，而且浪费了大量的人力、物力资源的问题。

继续参阅图2，示出了本发明实施例一提供的获取语义分析模型的实现流程图，为了便于说明，仅示出与本发明相关的部分。

在本发明实施例一的一些可选的实现方式中，在上述步骤S105之前，上述方法还包括：步骤S201、步骤S202、步骤S203以及步骤S304。

在步骤S201中，在本地数据库中获取样本文本，并确定样本文本中包含的每个分词。

在本发明实施例中，可以先从上述本地数据库中获取多个文本，确定由获取的多个文本所构成的训练集，则，针对训练集中的每个文本，可将该文本作为样本文本。

在本发明实施例中，确定该样本文本中包含的分词时，可先对该样本文本进行分词处理，以得到该样本文本中包含的每个分词。在对样本文本进行分词处理时，可采用任何分词方法，当然，也可将该样本文本中的每个字符都作为一个分词进行处理，应当理解，此处对分词处理的举例仅为方便理解，不用于限定本发明。

在步骤S202中，基于待训练的语义分析模型确定每个分词对应的词向量。

在本发明实施例中，语义分析模型可至少包括四层，分别是：语义表征层、属性表征层、属性相关性表示层、分类层。

在本发明实施例中，语义表征层中至少包括用于输出双向语义表示向量的子模型，如BERT(Bidirectional Encoder Representations from Transformers)模型等。可将每个分词输入语义分析模型中的语义表征层，得到语义表征层输出的每个分词分别对应的语义表示向量，作为每个分词对应的词向量。应当理解，用于输出语义表示向量的模型除了上述的BERT模型以外，还包括其他模型，此处对用于输出语义表示向量的模型的举例仅为方便理解，不用于限定本发明。

在步骤S203中，在本地数据库中获取语义属性，根据待训练的语义分析模型中包含语义属性对应的注意力矩阵，以及每个分词对应的词向量，确定样本文本涉及语义属性的第一特征表示向量。

在本发明实施例中，可将每个分词对应的词向量输入语义分析模型中的属性表征层，通过属性表征层中包含的该语义属性对应的注意力矩阵，对每个分词对应的词向量进行注意力加权，根据注意力加权后的每个分词对应的词向量，确定样本文本涉及该语义属性的第一特征表示向量。

在步骤S204中，根据待训练的语义分析模型中包含的用于表示不同语义属性之间的相关性的注意力矩阵，以及第一特征表示向量，确定样本文本涉及语义属性的第二特征表示向量。

在本发明实施例中，可将样本文本涉及每个语义属性的第一特征表示向量输入语义分析模型中的属性相关性表示层，通过属性相关性表示层中包含的上述注意力矩阵，对样本文本涉及每个语义属性的第一特征表示向量进行注意力加权，根据注意力加权后的各第一特征表示向量，确定样本文本涉及每个语义属性的第二特征表示向量。

在步骤S205中，根据待训练的语义分析模型以及第二特征表示向量，确定待训练的语义训练模型输出的分类结果，分类结果包括样本文本所属的语义属性以及样本文本所属的语义属性对应的情感极性。

在本发明实施例中，分类层至少包括隐层、全连接层和softmax层。

在本发明实施例中，可将样本文本涉及每个语义属性的第二特征表示向量依次输入分类层中的隐层、全连接层和softmax层，根据每个第二特征表示向量以及分类层的隐层、全连接层和softmax层中包含的与每个语义属性对应的分类参数，对样本文本进行分类，得到分类层输出的分类结果。

在本发明实施例中，分类结果至少包括样本文本所属的语义属性以及样本文本在其所属的语义属性上对应的情感极性。

在本发明实施例中，该情感极性可以采用数值进行量化，例如，数值越接近于1，则表示情感极性越倾向于标答情感极性，数值越接近于0，则表示情感极性越相反于标答情感极性，数值接近于0.5，则表示情感极性倾向于中性。

在步骤S206中，根据分类结果和样本文本预设的标注，对语义分析模型中的模型参数进行调整，得到语义分析模型。

在本发明实施例中，需要调整的模型参数至少包括上述的分类参数，还可包括上述的注意力矩阵。可采用传统的训练方法对语义分析模型中的模型参数进行调整。即，直接根据步骤S108得到的分类结果和针对样本文本预设的标注，确定分类结果对应的损失(以下将其称之为第一损失)，并以该第一损失最小化为训练目标对语义分析模型中的模型参数进行调整，以完成对语义分析模型的训练。

在本发明实施例中，由于上述语义分析模型中已经加入了用于表示不同语义属性之间相关性的注意力矩阵，因此，采用上述传统的训练方法训练得到的语义分析模型可更加准确的对待分析文本的语义进行分析。

在本发明实施例一的一些可选的实现方式中，上述步骤S202具体包括下述步骤：

将每个分词输入至语义分析模型的语义表征层，得到语义表征层输出的每个分词分别对应的语义表示向量，作为每个分词对应的词向量。

在本发明实施例中，语义表征层至少包括用于输出语义表示向量的子模型，该子模型包括BERT模型。

继续参阅图3，示出了本发明实施例一提供的第一特征表示向量获取方法的实现流程图，为了便于说明，仅示出与本发明相关的部分。

在本发明实施例一的一些可选的实现方式中，上述步骤S202具体包括：步骤S301、步骤S302以及步骤S303。

在步骤S301中，将每个分词对应的词向量输入至语义分析模型中的属性表征层。

在本发明实施例中，在本发明实施例中，属性表征层中至少包含每个语义属性各自对应的注意力矩阵。

在步骤S302中，通过属性表征层中包含的语义属性对应的注意力矩阵，对每个分词对应的词向量进行注意力加权，得到加权词向量。

在本发明实施例中，可将每个分词对应的词向量输入语义分析模型中的属性表征层，通过属性表征层中包含的该语义属性对应的注意力矩阵，对每个分词对应的词向量进行注意力加权，根据注意力加权后的每个分词对应的词向量，确定样本文本涉及该语义属性的第一特征表示向量。

在步骤S303中，基于加权词向量确定样本文本涉及语义属性的第一特征表示向量。

在本发明实施例中，上述的第一特征表示向量可以表征该样本文本涉及该语义属性的概率以及在该语义属性上的情感极性。

继续参阅图4，示出了本发明实施例一提供的第二特征表示向量获取方法的实现流程图，为了便于说明，仅示出与本发明相关的部分。

在本发明实施例一的一些可选的实现方式中，在上述步骤S204中，具体包括：步骤S401、步骤S402以及步骤S403。

在步骤S401中，将第一特征表示向量输入至语义分析模型中的属性相关性表示层。

在本发明实施例中，语义分析模型中的属性相关性表示层中至少包含注意力矩阵，该注意力矩阵乘积结果用于表示不同语义属性之间的相关性，对于每一个词语其注意力值越高代表该词语在句子中的重要性越大，相关性计算过程中该词语所占分值比重越大。

在步骤S402中，通过属性相关性表示层中包含的用于表示不同语义属性之间的相关性的注意力矩阵，对样本文本涉及每个语义属性的第一特征表示向量进行注意力加权，得到加权特征表示向量。

在步骤S403中，基于加权特征表示向量确定样本文本涉及每个语义属性的第二特征表示向量。

在本发明实施例中，第二特征表示向量同样可以表征该样本文本涉及每个语义属性的概率以及在该语义属性上的情感极性，但与第一特征表示向量不同的是，第一特征表示向量是采用各自独立的每个语义属性对应的注意力矩阵对词向量加权得到的，因此，其表征的样本文本涉及每个语义属性的概率以及在该语义属性上的情感极性并未考虑不同语义属性之间的相关性。而第二特征表示向量是采用用于表示不同语义属性之间相关性的注意力矩阵对第一特征表示向量加权得到的，相当于由注意力矩阵引入了不同语义属性之间相关性的因素，因此，其表征的样本文本涉及每个语义属性的概率以及在该语义属性上的情感极性考虑了不同语义属性之间的相关性。

需要强调的是，为进一步保证上述最终阅卷评分的私密和安全性，上述最终阅卷评分还可以存储于一区块链的节点中。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

本发明可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机可读指令来指令相关的硬件来完成，该计算机可读指令可存储于一计算机可读取存储介质中，该计算机可读指令在执行时，可包括如上述各方法的实施例的流程。其中，前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)等非易失性存储介质，或随机存储记忆体(RandomAccess Memory，RAM)等。

应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

实施例二

进一步参考图5，作为对上述图2所示方法的实现，本发明提供了一种应用于主观题阅卷的评分装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例所述的应用于主观题阅卷的评分装置100包括：

请求获取模块101，用于接收阅卷评分请求，所述阅卷评分请求至少携带有固定文本数据、填空文本数据或者简答文本数据中的一种或者多种组合；

标准数据获取模块102，用于读取本地数据库，在所述本地数据库中获取标准文本数据；

固定文本得分模块103，用于根据正则表达式分别对所述固定文本数据进行相似度判断操作，得到各个所述固定文本数据相对应的固定文本得分；

文本结合模块104，用于结合所述填空文本数据以及与所述填空文本数据相对应的上下关联文本，得到填空句子文本；

填空语义分析模块105，用于根据语义分析模型对所述填空句子文本进行语义分析操作，得到填空语义特征；

填空文本得分模块106，用于根据余弦相似度算法对每个所述填空语义特征进行余弦相似度计算操作，得到与各个所述填空文本数据相对应的填空文本得分；

预处理模块107，用于对所述简答文本数据进行预处理操作，得到关键文本数据；

简答语义分析模块108，用于根据所述语义分析模型对所述关键文本数据进行所述语义分析操作，得到简答语义特征；

简答得分模块109，用于根据所述余弦相似度算法对每个所述简答语义特征进行余弦相似度计算操作，得到与各个所述简答文本数据相对应的简答文本得分；

阅卷评分模块110，用于整合所述固定文本得分、所述填空文本得分以及所述简答文本得分，得到最终阅卷评分。

在本发明实施例中，对于固定答案问题判断内容与标答是否一致，通过一致性判断给出分数；对于非固定答案的填空题，则先联系答案周围的上下文，通过基于注意力编解码机制的循环迭代神经网络计算出包含答案句子的语义特征，比对具有最近余弦距离的标准答案语义特征，根据平均距离确定考生作答是否得分已经得分点；对于简答题要先将考生答案的段落进行一些预处理，例如拆解为句子和词语、进行停用词去除操作来减少停用词对判断造成的干扰，根据简答题的得分点检索对应的考生答案子句，得到一个考生基本得分，通过基于注意力编解码机制的双塔循环迭代神经网络计算出包含得分点的子句语义情感是否同标准答案一致，最终整合各得分部分得出最终得分。

在本发明实施例中，语义分析操作可以是基于注意力编码机制的循环迭代神经网络计算出包含答案句子的语义特征，其中，该神经网络的计算过程可以是：

Step1：

inputs＝(x

输入嵌入序列

输入嵌入序列由3个子嵌入组成：

Embedding

Embedding

Embedding

Embedding

最终输入序列为：

设χ＝Embedding：

分配权重

矩阵W

MultiHeadAttention＝Concat(head

即MultiHeadAttention＝Linear(MultiHeadAttention)

Step3：

将结果合并输入数据，矩阵尺寸不变：

X

计算X

其中⊙表示元素相乘，α和β为可训练参数，∈为一个正的极小值。

Setp4：

设函数g为：

LN计算完成后将数据传入一个前馈神经网络：

X

Steps5：

再次将结果合并：

X

然后将计算结果归一化：

X

Steps6：

将Steps2～Steps5的计算过程重复12次，即可得到上述填空语义特征，应当理解的是，在下述根据所述语义分析模型对所述关键文本数据进行所述语义分析操作，得到简答语义特征的步骤中，该神经网络的计算过程与上述过程相同。

在本发明实施例中，分句技术和停用词去除技术都是根据查表实现的，从大量的原始语料中提取出来。分句技术除了从语料中提取以外还考虑到了键盘打字存在的符号误用等情况。

在本发明实施例中，余弦相似度也称为余弦距离，是用向量空间中两个向量夹角的余弦值作为衡量两个个体间差异的大小的度量。从上述语义分析模型得到的结果就是句子的语义向量，也就是在语义空间中有长度有方向的语义向量。两个句子在语义上越相近，那么在方向上应该越一致。

在本发明实施例中，提供了一种应用于主观题阅卷的评分装置，本发明根据不同的题型设置相应的评分计算方法，其中，根据语义分析模型对非固定答案的文本进行语义分析，已获得真实的语义信息，并基于真实的语义信息判断答题内容是否得分，最终整合各种题型的得分情况，得到最终的总分，从而有效释放人力、物力资源，极大解决了传统的主观题阅卷评分方法存在的效率低，而且浪费了大量的人力、物力资源的问题。

在本实施例的一些可选的实现方式中，上述应用于主观题阅卷的评分装置100还包括：分词确定模块、词向量确定模块、第一特征表示向量确定模块、第二特征表示向量确定模块、分类结果确定模块以及模型获取模块。其中：

分词确定模块，用于在本地数据库中获取样本文本，并确定样本文本中包含的每个分词；

词向量确定模块，用于基于待训练的语义分析模型确定每个分词对应的词向量；

第一特征表示向量确定模块，用于在本地数据库中获取语义属性，根据待训练的语义分析模型中包含语义属性对应的注意力矩阵，以及每个分词对应的词向量，确定样本文本涉及语义属性的第一特征表示向量；

第二特征表示向量确定模块，用于根据待训练的语义分析模型中包含的用于表示不同语义属性之间的相关性的注意力矩阵，以及第一特征表示向量，确定样本文本涉及语义属性的第二特征表示向量；

分类结果确定模块，用于根据待训练的语义分析模型以及第二特征表示向量，确定待训练的语义训练模型输出的分类结果，分类结果包括样本文本所属的语义属性以及样本文本所属的语义属性对应的情感极性；

模型获取模块，用于根据分类结果和样本文本预设的标注，对语义分析模型中的模型参数进行调整，得到语义分析模型。

在本发明实施例二的一些可选的实现方式中，上述词向量确定模块具体包括：语义表征子模块。其中：

语义表征子模块，用于将每个分词输入至语义分析模型的语义表征层，得到语义表征层输出的每个分词分别对应的双向语义表示向量，作为每个分词对应的词向量。

在本发明实施例二的一些可选的实现方式中，上述第一特征表示向量确定模块具体包括：属性表征子模块、注意力加权子模块以及第一特征表示向量确定子模块。其中：

属性表征子模块，用于将每个分词对应的词向量输入至语义分析模型中的属性表征层；

注意力加权子模块，用于通过属性表征层中包含的语义属性对应的注意力矩阵，对每个分词对应的词向量进行注意力加权，得到加权词向量；

第一特征表示向量确定子模块，用于基于加权词向量确定样本文本涉及语义属性的第一特征表示向量。

在本发明实施例二的一些可选的实现方式中，上述第二特征表示向量确定模块具体包括：属性相关性表示子模块、注意力加权子模块以及第二特征表示向量确定子模块。其中：

属性相关性表示子模块，用于将第一特征表示向量输入至语义分析模型中的属性相关性表示层；

注意力加权子模块，用于通过属性相关性表示层中包含的用于表示不同语义属性之间的相关性的注意力矩阵，对样本文本涉及每个语义属性的第一特征表示向量进行注意力加权，得到加权特征表示向量；

第二特征表示向量确定子模块，用于基于加权特征表示向量确定样本文本涉及每个语义属性的第二特征表示向量。

为解决上述技术问题，本发明实施例还提供计算机设备。具体请参阅图6，图6为本实施例计算机设备基本结构框图。

所述计算机设备200包括通过系统总线相互通信连接存储器210、处理器220、网络接口230。需要指出的是，图中仅示出了具有组件210-230的计算机设备200，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。其中，本技术领域技术人员可以理解，这里的计算机设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字处理器(Digital Signal Processor，DSP)、嵌入式设备等。

所述计算机设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述计算机设备可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。

所述存储器210至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。在一些实施例中，所述存储器210可以是所述计算机设备200的内部存储单元，例如该计算机设备200的硬盘或内存。在另一些实施例中，所述存储器210也可以是所述计算机设备200的外部存储设备，例如该计算机设备200上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。当然，所述存储器210还可以既包括所述计算机设备200的内部存储单元也包括其外部存储设备。本实施例中，所述存储器210通常用于存储安装于所述计算机设备200的操作系统和各类应用软件，例如应用于主观题阅卷的评分方法的计算机可读指令等。此外，所述存储器210还可以用于暂时地存储已经输出或者将要输出的各类数据。

所述处理器220在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器220通常用于控制所述计算机设备200的总体操作。本实施例中，所述处理器220用于运行所述存储器210中存储的计算机可读指令或者处理数据，例如运行所述应用于主观题阅卷的评分方法的计算机可读指令。

所述网络接口230可包括无线网络接口或有线网络接口，该网络接口230通常用于在所述计算机设备200与其他电子设备之间建立通信连接。

本发明提供了一种计算机设备，根据不同的题型设置相应的评分计算方法，其中，根据语义分析模型对非固定答案的文本进行语义分析，已获得真实的语义信息，并基于真实的语义信息判断答题内容是否得分，最终整合各种题型的得分情况，得到最终的总分，从而有效释放人力、物力资源，极大解决了传统的主观题阅卷评分方法存在的效率低，而且浪费了大量的人力、物力资源的问题。

本发明还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可读指令，所述计算机可读指令可被至少一个处理器执行，以使所述至少一个处理器执行如上述的应用于主观题阅卷的评分方法的步骤。

本发明提供了一种计算机可读存储介质，根据不同的题型设置相应的评分计算方法，其中，根据语义分析模型对非固定答案的文本进行语义分析，已获得真实的语义信息，并基于真实的语义信息判断答题内容是否得分，最终整合各种题型的得分情况，得到最终的总分，从而有效释放人力、物力资源，极大解决了传统的主观题阅卷评分方法存在的效率低，而且浪费了大量的人力、物力资源的问题。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

显然，以上所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，附图中给出了本发明的较佳实施例，但并不限制本发明的专利范围。本发明可以以许多不同的形式来实现，相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来而言，其依然可以对前述各具体实施方式所记载的技术方案进行修改，或者对其中部分技术特征进行等效替换。凡是利用本发明说明书及附图内容所做的等效结构，直接或间接运用在其他相关的技术领域，均同理在本发明专利保护范围之内。