張帥

（廣州工商學(xué)院計(jì)算機(jī)科學(xué)與工程系，佛山528138）

0 引言

智能閱卷是指通過計(jì)算機(jī)對學(xué)生作答的試題答案進(jìn)行自動(dòng)閱卷。智能閱卷能大大減輕老師人工閱卷的工作量，在一定程度上提高了評卷的公平性。當(dāng)前國內(nèi)的信息化考試系統(tǒng)只能完成客觀題的自動(dòng)評分，還不能實(shí)現(xiàn)主觀題的自動(dòng)評閱。主觀題的答案是學(xué)生通過自然語言書寫，不存在標(biāo)準(zhǔn)、唯一的答案，人工評閱也是閱卷人參考評分標(biāo)準(zhǔn)，根據(jù)自身經(jīng)驗(yàn)完成的。主觀題答案中不同種語言、字符、語言模式差異所導(dǎo)致相似度計(jì)算中的復(fù)雜性和準(zhǔn)確性問題，所以對于主觀題的自動(dòng)閱卷是一個(gè)很大的技術(shù)難題。

主觀題的自動(dòng)閱卷涉及到自然語言處理技術(shù)。自然語言是指人類特有的語言，例如中文、英文等各種語言，形式包括有文本、語音等。自然語言處理是對自然語言進(jìn)行理解、分析，將其轉(zhuǎn)換成計(jì)算機(jī)可理解的、結(jié)構(gòu)化的信息的方法和技術(shù)。

雖然國外在智能閱卷這一方面的研究遠(yuǎn)遠(yuǎn)早于國內(nèi)，但是由于中文與西文在本質(zhì)上的差別，很多在西文上取得的研究成果無法應(yīng)用于中文。漢語是一個(gè)復(fù)雜開放的體系，存在大量的近義詞、同義詞以及非標(biāo)準(zhǔn)用語，因此中文主觀題自動(dòng)評分系統(tǒng)的研究的難道遠(yuǎn)遠(yuǎn)大于英文文章評分系統(tǒng)。國內(nèi)學(xué)者專家也投入了大量的精力，并在基礎(chǔ)理論方面取得了一些突破，但距離自動(dòng)評分系統(tǒng)的大規(guī)模推廣還有很長的一段距離[1-2]。

1 現(xiàn)有技術(shù)存在的問題

主觀題評分模型最主要的問題是如何計(jì)算標(biāo)準(zhǔn)答案和考生答案的相似度。通過字?jǐn)?shù)相似度、詞數(shù)相似度這些指標(biāo)來評價(jià)兩個(gè)文本間的相似度。這種基于句子表面特征的相似度計(jì)算方法僅考慮在字符串層面的相似度計(jì)算，因此準(zhǔn)確度相當(dāng)?shù)蚚3]。

國內(nèi)有針對作文自動(dòng)評分的研究，通過分析文本連貫性評價(jià)作文。但是不同于長文本的作文，問答題的文本是短文本，增加語篇連貫性的指標(biāo)并不能有效地提升準(zhǔn)確度[4]。

2 基于孿生神經(jīng)網(wǎng)絡(luò)的主觀題自動(dòng)閱卷評分技術(shù)

我們首先對文本進(jìn)行預(yù)處理，分詞、去除標(biāo)點(diǎn)、去除空白字符、去除停用詞等。然后提取幾個(gè)詞法特征，如錯(cuò)別字?jǐn)?shù)量、字?jǐn)?shù)總和、去除停用詞和重復(fù)詞之后的字?jǐn)?shù)。

為了解決主觀題自動(dòng)閱卷評分精確度不高的問題，我們在以上詞法特征的基礎(chǔ)上加入了孿生神經(jīng)網(wǎng)絡(luò)模型，判斷學(xué)生答案和參考答案的相似度從而對學(xué)生答案作出評分。

孿生神經(jīng)網(wǎng)絡(luò)是一種人工神經(jīng)網(wǎng)絡(luò)，也就是一種數(shù)學(xué)模型。與其他神經(jīng)網(wǎng)絡(luò)模型相比，它的特別之處在于同時(shí)輸入兩個(gè)子網(wǎng)絡(luò)，并且這兩個(gè)子網(wǎng)絡(luò)共享權(quán)重。孿生神經(jīng)網(wǎng)絡(luò)的特點(diǎn)使得它在衡量相似度這方面有很好的效果。

孿生神經(jīng)網(wǎng)絡(luò)應(yīng)用在主觀題閱卷，是將題目的參考答案和學(xué)生答案同時(shí)輸入孿生神經(jīng)網(wǎng)絡(luò)模型里，輸出的是兩者之間的距離。我們用這個(gè)距離來衡量兩者的相似度。要計(jì)算二者的距離，也就是說從A 到B 應(yīng)該和從B 到A 的距離是一樣的，共享權(quán)重可以控制距離的一致性。即使我們調(diào)換A 和B，距離不會發(fā)生改變。

上述的孿生神經(jīng)網(wǎng)絡(luò)是一個(gè)模型框架，在同時(shí)輸入?yún)⒖即鸢负蛯W(xué)生答案后，兩個(gè)子網(wǎng)絡(luò)還分別需要用LSTM 模型對數(shù)據(jù)進(jìn)行訓(xùn)練。LSTM，Long Short-Term Memory，長短期記憶神經(jīng)網(wǎng)絡(luò)是一種循環(huán)神經(jīng)網(wǎng)絡(luò)，適合于處理和預(yù)測時(shí)間序列中間隔和延遲非常長的事件。我們可以把文本看作一個(gè)時(shí)間序列，例如句子“我吃蘋果”，時(shí)間0 對應(yīng)“我”，時(shí)間1 對應(yīng)“吃”，時(shí)間2 對應(yīng)“蘋”，時(shí)間3 對應(yīng)“果”。也就是說LSTM 可以解決相隔較遠(yuǎn)的兩句話還存在著聯(lián)系這種情況。

在兩個(gè)子網(wǎng)絡(luò)用LSTM 模型訓(xùn)練后，需要計(jì)算二者的距離，這時(shí)我們用曼哈頓距離（Manhattan Dis?tance）來度量。曼哈頓距離，是歐幾里得幾何度量空間的幾何學(xué)用語，用以標(biāo)明兩個(gè)點(diǎn)上在標(biāo)準(zhǔn)坐標(biāo)系上的絕對軸距之總和。

如圖1 所示，d1 線、d2 線和d4 線都表示的是曼哈頓距離。而采用曼哈頓距離計(jì)算兩個(gè)LSTM 子網(wǎng)絡(luò)距離的模型，我們簡稱為MaLSTM。

圖2 展示的就是基于MaLSTM 的孿生神經(jīng)網(wǎng)絡(luò)模型的算法過程。我們輸入兩句話“他很帥”和“他很英俊”，分別對這兩句話訓(xùn)練兩個(gè)子網(wǎng)絡(luò)LSTMa 和LST?Mb，然后通過曼哈頓距離衡量二者的相似度。

最后我們在詞法特征的基礎(chǔ)上結(jié)合答案的相似度，算出學(xué)生答案的得分。

圖1

圖2

3 結(jié)語

應(yīng)用孿生神經(jīng)網(wǎng)絡(luò)模型，同時(shí)輸入學(xué)生答案和參考答案進(jìn)行相似度計(jì)算，從而估計(jì)學(xué)生答案的得分，改善了單單基于句子表面特征的相似度計(jì)算方法，提高了準(zhǔn)確度。