[发明专利]一种学科能力类型标注方法、装置、存储介质及终端设备

权利要求书

1.一种学科能力类型标注方法，其特征在于，包括：

获取数学试题文本，并对所述数学试题文本进行切词处理，得到构成所述数学试题文本的多个分词；

利用预设的词向量生成模型生成各个所述分词的词向量，并将各个所述分词的词向量组成输入矩阵；

将所述输入矩阵输入至基于注意力机制和双向长短期记忆神经网络的学科能力分析模型中，得到所述学科能力分析模型输出的分析结果；

将所述分析结果标注为所述数学试题文本对应的学科能力类型。

2.根据权利要求1所述的学科能力类型标注方法，其特征在于，所述将所述输入矩阵输入至基于注意力机制和双向长短期记忆神经网络的学科能力分析模型中，得到所述学科能力分析模型输出的分析结果，包括：

将所述输入矩阵输入至基于注意力机制和双向长短期记忆神经网络的学科能力分析模型中，在所述学科能力分析模型的隐藏层中对所述输入矩阵的各词向量进行特征提取，得到各词向量对应的特征向量；

将各特征向量输入至所述学科能力分析模型的注意力层中，得到各特征向量对应的权重值；

根据所得到的权重值对各特征向量进行加权处理，得到所述数学试题文本对应的文本特征向量；

将所述文本特征向量输入至所述学科能力分析模型的输出层中，得到所述数学试题文本对应的分析结果。

3.根据权利要求2所述的学科能力类型标注方法，其特征在于，所述将各特征向量输入至所述学科能力分析模型的注意力层中，得到各特征向量对应的权重值，包括：

根据下述公式计算得到各特征向量对应的权重值：

其中，WeightVal_n为第n个特征向量对应的权重值，N为特征向量的总个数，WeightIMatrix为输入层的权重矩阵，CoupVec为各特征向量的加和，MainVec_n为第n个特征向量，T为转置符号。

4.根据权利要求3所述的学科能力类型标注方法，其特征在于，所述根据所得到的权重值对各特征向量进行加权处理，得到所述数学试题文本对应的文本特征向量，包括：

根据下式对各特征向量进行加权处理，得到所述数学试题文本对应的文本特征向量：

其中，TextVec_att为所述文本特征向量，MainVec_n为第n个特征向量，WeightVal_n为第n个特征向量对应的权重值，N为特征向量的总个数。

5.根据权利要求4所述的学科能力类型标注方法，其特征在于，所述将所述文本特征向量输入至所述学科能力分析模型的输出层中，得到所述数学试题文本对应的分析结果，包括：

将所述文本特征向量输入至所述学科能力分析模型的输出层中，在所述输出层根据下式计算所述文本特征向量在各分析结果中的概率值；

其中，Prob_m为第m个分析结果的概率值，WeightOMatrix为输出层的权值矩阵，TextVec_att(m)为TextVec_att中第m个分量值，M为分析结果的数量；

将概率值最大的分析结果确定为所述数学试题文本对应的分析结果。

6.根据权利要求1至5中任一项所述的学科能力类型标注方法，其特征在于，所述学科能力分析模型通过下述步骤训练得到：

选取预设数目的训练样本，每个训练样本包括一个输入矩阵和一个标准分析结果；

将各所述训练样本输入至初始的学科能力分析模型中，得到所述初始的学科能力分析模型输出的训练分析结果；

根据所述训练分析结果与所述标准分析结果计算本轮训练的全局误差；

若所述全局误差不满足预设条件，则调整所述学科能力分析模型的模型参数，并将模型参数调整后的学科能力分析模型确定为初始的学科能力分析模型，返回执行将各所述训练样本输入至初始的学科能力分析模型中，得到所述初始的学科能力分析模型输出的训练分析结果的步骤以及后续步骤；

若所述全局误差满足所述预设条件，则确定所述学科能力分析模型训练完成。