[发明专利]题目批改方法、模型的训练方法、计算机设备及存储介质

权利要求书

1.一种题目批改方法，其特征在于，包括：

获取题目文本、标准答案文本和学生作答文本；

对所述题目文本、标准答案文本和学生作答文本各自进行编码，得到题目特征向量、标准答案特征向量和学生作答特征向量；

对所述题目特征向量和所述标准答案特征向量进行对齐融合处理，得到第一融合向量；

对所述题目特征向量和所述学生作答特征向量进行对齐融合处理，得到第二融合向量；

将所述第一融合向量与所述第二融合向量进行对齐融合，得到第三融合向量；

根据所述第三融合向量生成所述学生作答文本的批改结果。

2.如权利要求1所述的题目批改方法，其特征在于，所述对所述题目文本进行编码，得到题目特征向量，包括：

对所述题目文本中的每个词进行编码，得到词编码向量；

基于预设的学科知识图谱，根据所述词编码向量，确定所述题目文本对应的题目特征向量。

3.如权利要求1所述的题目批改方法，其特征在于，所述标准答案特征向量包括所述标准答案文本中各步骤的第一步骤向量，所述学生作答特征向量包括所述学生作答文本中各步骤的第二步骤向量。

4.如权利要求1所述的题目批改方法，其特征在于，所述对所述题目特征向量和所述标准答案特征向量进行对齐融合处理，包括：

将所述题目特征向量作为查询项，将所述标准答案特征向量作为键值对输入自注意力机制模型，得到第一融合向量；

所述对所述题目特征向量和所述学生作答特征向量进行对齐融合处理，得到第二融合向量，包括：

将所述题目特征向量作为查询项，将所述学生作答特征向量作为键值对输入自注意力机制模型，得到第二融合向量。

5.如权利要求1-4中任一项所述的题目批改方法，其特征在于，所述将所述第一融合向量与所述第二融合向量进行对齐融合，得到第三融合向量，包括：

将所述第一融合向量作为查询项，将所述第二融合向量作为键值对输入自注意力机制模型，得到第三融合向量。

6.如权利要求5所述的题目批改方法，其特征在于，所述自注意力机制模型对所述题目特征向量和所述标准答案特征向量进行对齐融合处理时，确定所述题目文本中若干知识点与所述标准答案文本中各步骤对应的第一注意力权重，及根据所述第一注意力权重对所述标准答案特征向量进行加权求和，得到所述第一融合向量；

所述自注意力机制模型对所述题目特征向量和所述学生作答特征向量进行对齐融合处理时，确定所述题目文本中若干知识点与所述学生作答文本中各步骤对应的第二注意力权重，及根据所述第二注意力权重对所述学生作答特征向量进行加权求和，得到所述第二融合向量；

所述自注意力机制模型对所述第一融合向量与所述第二融合向量进行对齐融合处理，确定所述标准答案文本中各步骤与所述学生作答文本中各步骤对应的第三注意力权重，以及根据所述第三注意力权重对所述第二融合向量进行加权求和，得到所述第三融合向量；

所述方法还包括以下至少一项：

根据所述第一注意力权重，确定所述标准答案文本中各步骤对应的知识点；

根据所述第二注意力权重，确定所述学生作答文本中各步骤对应的知识点；

根据所述第三注意力权重，确定所述标准答案文本中各步骤和/或所述学生作答文本中各步骤的对应关系。

7.一种题目批改模型的训练方法，其特征在于，包括：

获取题目文本、标准答案文本和学生作答文本，以及所述学生作答文本对应的标注的批改结果；

基于所述题目批改模型的编码模型，对所述题目文本、标准答案文本和学生作答文本各自进行编码，得到题目特征向量、标准答案特征向量和学生作答特征向量；

基于所述题目批改模型的自注意力机制模型，对所述题目特征向量和所述标准答案特征向量、所述学生作答特征向量进行对齐融合处理，得到第三融合向量；

基于所述题目批改模型的批改模型，根据所述第三融合向量生成所述学生作答文本的批改结果；

根据所述学生作答文本对应的生成的批改结果，和标注的批改结果，调整所述题目批改模型的模型参数。