[发明专利]基于特征学习的短答案自动评分方法、系统及存储介质

权利要求书

1.基于特征学习的短答案自动评分方法，其特征在于：包括以下步骤：

对短答案的问题、标准答案以及回答答案进行分词操作，生成词序列；

对词序列进行向量化表示，生成映射矩阵；

对映射矩阵进行词语级别的特征抽取，生成词语特征；所述词语级别的特征包括词语重叠特征、问题类型特征及回答答案和标准答案之间的相似词性标记；

对由映射矩阵提取得到的短答案的问题的语义特征向量、标准答案的语义特征向量和回答答案的语义特征向量进行向量运算特征转换，生成句子特征；

根据词语特征和句子特征，通过深度学习分类器模型预测短答案的文本类别；

基于文本类别与分值的映射关系，确定短答案的分数。

2.根据权利要求1所述的基于特征学习的短答案自动评分方法，其特征在于：所述对词序列进行向量化表示，生成映射矩阵这一步骤，包括以下步骤：

通过文本分类器训练词语库；

根据训练好的词语库，对词序列中的每个词语进行多维向量化表示，生成映射矩阵。

3.根据权利要求1所述的基于特征学习的短答案自动评分方法，其特征在于：所述标准答案的语义特征向量的确定过程，其具体为：

通过Bi-LSTM神经网络对标准答案的映射矩阵进行运算，生成标准答案的语义特征向量；

所述通过Bi-LSTM神经网络对标准答案的映射矩阵进行运算，生成标准答案的语义特征向量这一步骤，包括以下步骤：

通过第一LSTM单元，基于第一顺序对映射矩阵中的词语进行处理，得到第一输出；

通过第二LSTM单元，基于第二顺序对映射矩阵中的词语进行处理，得到第二输出；

对第一输出和第二输出进行拼接处理，得到第三输出；

通过最大池化算法对第三输出进行下采样处理，得到标准答案的语义特征向量。

4.根据权利要求1所述的基于特征学习的短答案自动评分方法，其特征在于：还包括对训练数据进行增强这一步骤。

5.根据权利要求4所述的基于特征学习的短答案自动评分方法，其特征在于：所述对训练数据进行增强这一步骤，包括以下步骤：

获取短文本的问题和标准答案；

根据短文本的问题和标准答案，逐一对回答答案进行评分；

若回答答案的得分为满分，则将所述回答答案作为标准答案，并返回执行根据短文本的问题和标准答案，逐一对回答答案进行评分这一步骤，直至所有回答答案遍历结束。

6.基于特征学习的短答案自动评分系统，其特征在于：包括：

分词模块，用于对短答案的问题、标准答案以及回答答案进行分词操作，生成词序列；

向量化模块，用于对词序列进行向量化表示，生成映射矩阵；

词语特征抽取模块，用于对映射矩阵进行词语级别的特征抽取，生成词语特征；所述词语级别的特征包括词语重叠特征、问题类型特征及回答答案和标准答案之间的相似词性标记；

句子特征抽取模块，用于对由映射矩阵提取得到的短答案的问题的语义特征向量、标准答案的语义特征向量和回答答案的语义特征向量进行向量运算特征转换，生成句子特征；

预测模块，用于根据词语特征和句子特征，通过深度学习分类器模型预测短答案的文本类别；

评分模块，用于基于文本类别与分值的映射关系，确定短答案的分数。

7.基于特征学习的短答案自动评分系统，其特征在于：包括：

至少一个处理器；

至少一个存储器，用于存储至少一个程序；

当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1-5中任一项所述的基于特征学习的短答案自动评分方法。

8.一种存储介质，其中存储有处理器可执行的指令，其特征在于：所述处理器可执行的指令在由处理器执行时用于执行如权利要求1-5中任一项所述的基于特征学习的短答案自动评分方法。