主观题自动评阅算法设计.docVIP

主观题自动评阅算法设计 　　摘要：主观题自动评阅是智能化考试系统中的难点，由于文本层次结构的复杂性，表述方式的多样性，词语词义的丰富性，使得计算机自动评阅的准确性很难达到人工评阅的水平，本文提出了一种基于模糊贴近度匹配法的主观题自动评阅算法。并通过实验证明其算法的优良性。 　　关键词：多样性 模糊贴近度 自动评阅 　　中图分类号：TP301.6 文献标识码：A 文章编号：1007-9416（2013）09-0116-02 　　随着网络的普及，在线考试快速高效，具有广阔的应用发展前景。客观题自动评阅技术已经相当的成熟，也得到了广泛的应用，但是主观题的评阅由于涉及语义分析、分词技术、人工智能等相关技术，因而发展比较缓慢。本文利用答案的相似度以及相似度所占的权重，来计算考生的最终成绩。这种思想符合人的思维方式，增强了计算机评阅客观题的高效性。 　　1 相关概念 　　对标准答案与考生答案中的关键词进行比较，考虑用字符串的形式表示关键词。这两者之间的匹配用相似度来表示。 　　将一个字符串分解为关键几个字符，并把所有关键词构成的集合称为一个论域，用U={u1，u2，u3，…，un}表示，论域上的子集所组成的集合用F（U）表示。 　　设U={u1，u2，u3，…，un}，A，B∈F（U）。若映射：F（U） F（U）→[0，1]， 　　满足条件： 　　（1）（A，A）=1 　　（2）（B，B）=1 　　（3）若ABC或ABC，则（A，B）≥（A，C）称（A，B）为A贴近于B的单向贴近度。 　　定义2： 　　设A、B是字符串，A中包含n个字符，（A，B）表示A贴近于B的单向贴近度，按照从左到右的顺序，集合A中的每个元素在集合B中出现的有效次数和记为m，则（A，B）=m/n. 　　定义3： 　　相似度匹配系数定义如下 　　SMC=/总属性个数 　　SMC值越大，得分越高。 　　2 算法思想 　　人工评阅主观题时，首先检查学生答案中的得分点，得分点多则对应学生的成绩就高，其次看学生答案和标准答案的相似度，相似度高则分数就高，最后再考虑语义是否正确，再适当对分数进行调整。从上面阅卷过程中看，影响评分最重要有三个因素：第一就是得分点，第二就是相似度，第三就是语义正确。可以按得分点给出每道题目的得分高低。每个得分点就是一个关键字，关键字的相似度可以采用数据挖掘中语义相似度的方法进行描述，再根据相似度的权值，计算最终成绩。 　　根据上述分析，可以构建主观题自动批阅的流程图。 　　3 算法设计分析 　　分词结束后可进行相似度的计算，为计算中文关键字的接近程序，引入单向相似度概念。以a和b字符串为例介绍a相似字符串b的单向相似度。计算步骤如下 　　（1）对字符型数据和汉字进行单双字节的判定，然后排成字符序列。 　　（2）判断a字符串中的字符是否出现在b字符串中，是标记为1，否标记为0。 　　（3）计算单向相似度：a与b的单向相似度计算为：a中分解的单字符在b中出现的次数之和占a中总有效字符数之比。 　　（4）根据上述思想，设计Similarity用于计算两语句的单向相似度 　　class Similarity{ 　　double m = 0.00；//向量1的模 　　double n = 0.00；//向量2的模 　　double t = 0.00； //向量积 　　Iterator iter = vectorSpace.entrySet（）.iterator（）； 　　while（iter.hasNext（）） { 　　Map.Entry entry = （Map.Entry）iter.next（）； 　　itemCountArray = （int[]）entry.getValue（）； 　　m += itemCountArray[0]*itemCountArray[0]； 　　n += itemCountArray[1]*itemCountArray[1]； 　　t += itemCountArray[0]*itemCountArray[1]； 　　} 　　m = Math.sqrt（m）； 　　n = Math.sqrt（n）； 　　return （t/（m*n））； //返回相似度 　　} 　　通过单向相似度的计算，在将关键字的权重考虑进去，即可得到主观题的评阅公式： 　　式中各符号的含义如下： 　　：学生的实际得分.：试题的分值.：学生的实际答案. ：试题的标准答案. 　　：关键词在该题目中所占分值的比例；：关键词的个数. 　　：第个关键词；：第个关键词与学生答案的单向贴近度； 　　：关键词与学生答案的单向贴近度阀值。 　　4 结语 　　主观题自动