基于要点的答案评分方法、装置、设备及存储介质与流程

1.本发明涉及数据处理技术领域，特别是涉及一种基于要点的答案评分方法、装置、设备及存储介质。


背景技术：

2.随着人工智能的发展，在考试、培训的场景中，目前有很多公司会使用人工智能算法对考生的答案或者话术进行评分。现阶段大多数针对答案的评分机器人都只能对整个答案进行评分操作，而无法对标准答案中的多个要点进行分别打分。
3.通常情况下，对答案进行打分只需要采用监督学习的方式，把标准答案和考试人员的答案一起传到深度学习神经网络中，如lstm、transformer等，然后学习出答案的分数即可。例如，培训考试的时候每个问题会有一个标准答案，然后考试的过程中考试人员需要对答案进行回答。传统的评分算法会对考试人员的回答和标准答案算一个语义相似度，从而得到整体的评分。
4.但是这种方法只能学到一个整体上的分数，而一个完整的答案通常由很多个要点组成，通过这种方式学习到的模型是没有办法知道考试人员在哪些要点上回答的不好。但是很多业务场景是需要知道每一位考试在不同要点上的回答情况的，然后判断考生是否回答到每一个要点，然后要点回答的分数是多少。要点的评分对于后续的学习安排，培训侧重点都有重要的帮助。
5.基于此，本领域亟需一种新的基于要点的答案评分方法、装置、设备及存储介质来解决上述存在的技术问题。


技术实现要素：

6.本发明采用的一种方式是：提供一种基于要点的答案评分方法，包括：
7.获取预设标准答案以及待评分答案；
8.将所述预设标准答案输入预训练好的要点划分模型中，对所述标准答案进行语义划分，得到若干个标准要点；
9.将所述待评分答案与各所述标准要点分别输入预训练好的要点打分模型中，对所述待评分答案进行语义划分得到划分语句；
10.计算各所述划分语句的第一特征向量，计算当前输入的所述标准要点的第二特征向量；
11.计算所述第一特征向量以及所述第二特征向量的相似度，得到所述待评分答案与当前输入的所述标准要点的相似度；
12.根据所述相似度确定所述待评分答案对应当前输入的所述标准要点的评分。
13.可选地，所述要点划分模型通过以下步骤建立：
14.构建所述要点划分模型；
15.获取多个答案样本，根据语义对所述答案样本进行语义划分，根据划分结果对所
述答案样本进行标注，得到第一训练数据；
16.将所述第一训练数据输入至所述要点划分模型，利用第一损失函数对所述要点划分模型进行优化，并对所述要点划分模型的参数进行调整，得到预训练好的所述要点划分模型。
17.可选地，所述要点打分模型通过以下步骤建立：
18.构建所述要点打分模型；
19.利用预训练好的所述要点划分模型对所述答案样本进行语义划分，得到若干个训练要点；
20.对所述答案样本进行预处理，得到预处理答案样本，将所述预处理答案样本以及所述答案样本的集合作为预处理答案样本集；
21.对所述预处理答案样本集中的所述答案样本和所述预处理答案样本在各所述训练要点的评分进行标注，得到标注答案数据；
22.将所述标注答案数据以及各所述训练要点作为第二训练数据；
23.将所述第二训练数据输入至所述要点划分模型，利用第二损失函数对所述要点打分模型进行优化，对所述要点打分模型的参数进行调整，得到预训练好的所述要点打分模型。
24.可选地，所述对所述答案样本进行预处理，得到预处理答案样本，将所述预处理答案样本以及所述答案样本的集合作为预处理答案样本集包括：
25.对所述答案样本进行同义转换，得到一个或多个与所述答案样本语义相同的同义答案样本；
26.将所述同义答案样本以及所述答案样本作为预处理答案样本集。
27.可选地，所述对所述答案样本进行同义转换，得到一个或多个与所述答案样本语义相同的同义答案样本包括：
28.获取所述答案样本中的目标语句；
29.在预设的同义语句库中查找与所述目标语句具有映射关系的同义语句；
30.将所述答案样本中的所述目标语句替换为所述同义语句，生成同义答案样本。
31.可选地，所述对所述答案样本进行预处理，得到预处理答案样本包括：
32.将所述答案样本中的各所述训练要点进行部分或全部删减，得到删减答案样本；
33.将所述删减答案样本以及所述答案样本作为预处理答案样本集。
34.可选地，所述根据所述相似度确定所述待评分答案对应当前所述标准要点的评分之后，还包括：
35.累加所述待评分答案在所有所述标准要点的评分，得到所述待评分答案的总评分。
36.为解决上述技术问题，本发明采用的另一个技术方案是：提供一种基于要点的答案评分装置，包括：
37.数据获取模块，用于获取预设标准答案以及待评分答案；
38.要点划分模块，用于将所述预设标准答案输入预训练好的要点划分模型中，对所述标准答案进行语义划分，得到若干个标准要点；
39.语句划分模块，用于将所述待评分答案与各所述标准要点分别输入预训练好的要
点打分模型中，对所述待评分答案进行语义划分得到划分语句；
40.第一计算模块，用于计算各所述划分语句的第一特征向量，计算当前输入的所述标准要点的第二特征向量；
41.第二计算模块，用于计算所述第一特征向量以及所述第二特征向量的相似度，得到所述待评分答案与当前输入的所述标准要点的相似度；
42.第三计算模块，用于根据所述相似度确定所述待评分答案对应当前输入的所述标准要点的评分。
43.为解决上述技术问题，本发明采用的另一个技术方案是：提供一种计算机设备，包括处理器及和所述处理器耦接的存储器，所述存储器存储有用于实现如上所述的基于要点的答案评分方法的程序指令。
44.为解决上述技术问题，本发明采用的另一个技术方案是：提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于要点的答案评分方法。
45.本发明的有益效果是：本发明的基于要点的答案评分方法能够根据标准答案预测待评分答案中的在每个标准要点的评分，而不是针对整个测待评分答案得到一个整体的分数。本发明能够更加清晰地分析出考试人员的答案在哪些要点上的不足，为考试人员后续的学习提供了重要的参考。
附图说明
46.图1是本发明实施例的基于要点的答案评分方法的流程示意图；
47.图2是本发明实施例的建立要点划分模型的流程示意图；
48.图3是本发明实施例的建立要点打分模型的流程示意图；
49.图4是本发明另一实施例的基于要点的答案评分方法的流程示意图；
50.图5是本发明实施例的基于要点的答案评分装置的结构示意图；
51.图6是本发明实施例的计算机设备的结构示意图；
52.图7是本发明实施例的计算机存储介质的结构示意图。
具体实施方式
53.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
54.本发明中的术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。本发明实施例中所有方向性指示(诸如上、下、左、右、前、后
……
)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含
了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
55.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
56.本发明实施例的基于要点的答案评分方法用于计算待评分答案在不同的要点的评分。例如，下面展示了一个例子，包括答案、答案要点、考试人员回答以及要点评分情况(满分为10分)。在后续的说明中，也将采用本例子进行举例。
57.问：买你们的产品需要什么条件？
58.标准答案：您好，很高兴为您服务。买我们的产品需要您年满18岁，还需要在我们银行存款达到10万元以上。
59.标准要点1(礼貌问候客户)：您好，很高兴为您服务
60.标准要点2(条件1满18岁)：买我们的产品需要您年满18岁
61.标准要点3(条件2存款超10万元)：还需要在我们银行存款达到10万元以上
62.考试人员回答：需要你年满18岁，存款超过10万元。
63.考试人员回答在要点1的得分：0(因为没有礼貌问候客户)
64.考试人员回答在要点2的得分：10(要点的意思完全表达到了)
65.考试人员回答在要点3的得分：7(回答里面没有说明要在我们的银行存款超过10万)
66.故，考试人员的回答在要点1、要点2、要点3的评分分别为0分、10分、7分。
67.下面对如何实现上述评分进行描述。
68.图1是本发明实施例的基于要点的答案评分方法的流程示意图。需注意的是，若有实质上相同的结果，本发明的方法并不以图1所示的流程顺序为限。如图1所示，该方法包括步骤：
69.步骤s101：获取预设标准答案以及待评分答案。
70.在步骤s101中，需要获取预设的标准答案以及考试人员的回答，考试人员的回答即待评分答案。例如，标准答案为“您好，很高兴为您服务。买我们的产品需要您年满18岁，还需要在我们银行存款达到10万元以上。”；待评分答案为“需要你年满18岁，存款超过10万元。”。
71.步骤s102：将预设标准答案输入预训练好的要点划分模型中，对标准答案进行语义划分，得到若干个标准要点。
72.在步骤s102中，需要将标准答案根据语义划分为若干个标准要点。对此，我们需要输入预训练好一个要点划分模型，以对标准答案进行语义划分。
73.其中，请参见图2，要点划分模型通过以下步骤建立：
74.步骤s201：构建要点划分模型。
75.在步骤s201中，需要预先构建一个要点划分模型，在本实施例中，要点划分模型是基于bert进行构建的。
76.步骤s202：获取多个答案样本，根据语义对答案样本进行语义划分，根据划分结果对答案样本进行标注，得到第一训练数据。
77.在步骤s202中，需要从历史的问答数据中获取大量的答案样本。采用人工的方式，根据语义对答案样本进行语义划分，划分后的每一个语句都是一个要点，接着根据划分结果对答案样本进行标注，即在划分的位置标注划分符号。例如，在需要划分的位置标注为1，在其他位置则标注为0。通过上述步骤得到第一训练数据。
78.步骤s203：将第一训练数据输入至要点划分模型，利用第一损失函数对要点划分模型进行优化，并对要点划分模型的参数进行调整，得到预训练好的要点划分模型。
79.在步骤s203中，将第一训练数据输入至要点划分模型，利用第一损失函数对要点划分模型进行优化，并对要点划分模型的参数进行调整，不断地进行迭代训练，直至要点划分模型对答案样本划分的准确率高于预期，停止迭代，得到预训练好的要点划分模型。
80.通过上述步骤，得到预训练好的要点划分模型，就可以用来对预设标准答案进行语义划分了。例如标准答案为“您好，很高兴为您服务。买我们的产品需要您年满18岁，还需要在我们银行存款达到10万元以上。”采用预训练好的要点划分模型进行语义划分后，划分成三部分的标准要点，分别是“您好，很高兴为您服务。”、“买我们的产品需要您年满18岁，”、“还需要在我们银行存款达到10万元以上。”81.步骤s103：将待评分答案与各标准要点分别输入预训练好的要点打分模型中，对待评分答案进行语义划分得到划分语句。
82.在步骤s103中，将待评分答案与各标准要点分别输入预训练好的要点打分模型中。例如：待评分答案为“需要你年满18岁，存款超过10万元。”；标准要点分别是“您好，很高兴为您服务。”、“买我们的产品需要您年满18岁，”、“还需要在我们银行存款达到10万元以上。”。则需要分别向要点打分模型中输入待评分答案+某个要点的数据，并分别对各个数据进行预测。例如三个数据分别为：
[0083]“需要你年满18岁，存款超过10万元。”+“您好，很高兴为您服务。”；
[0084]“需要你年满18岁，存款超过10万元。”+“买我们的产品需要您年满18岁，”；
[0085]“需要你年满18岁，存款超过10万元。”+“还需要在我们银行存款达到10万元以上。”。
[0086]
也就是说，需要利用要点打分模型对上述三个数据分别进行预测，以得到待评分答案在每个要点的评分。
[0087]
在步骤s103中，还对待评分答案进行语义划分得到划分语句。例如：待评分答案为“需要你年满18岁，存款超过10万元。”则可以划分为“需要你年满18岁，”和“存款超过10万元。”。
[0088]
其中，请参见图3，要点打分模型通过以下步骤建立：
[0089]
步骤s301：构建要点打分模型。
[0090]
在步骤s301中，需要预先构建一个要点打分模型，在本实施例中，要点打分模型是基于bert进行构建的。
[0091]
步骤s302：利用预训练好的要点划分模型对答案样本进行语义划分，得到若干个训练要点。
[0092]
在步骤s302中，利用预训练好的要点划分模型对答案样本进行语义划分，得到若
干个训练要点。例如，答案样本为“您好，很高兴为您服务。买我们的产品需要您年满18岁，还需要在我们银行存款达到10万元以上。”采用预训练好的要点划分模型进行语义划分后，划分成三部分的训练要点，分别是“您好，很高兴为您服务。”、“买我们的产品需要您年满18岁，”、“还需要在我们银行存款达到10万元以上。”[0093]
步骤s303：对答案样本进行预处理，得到预处理答案样本，将预处理答案样本以及答案样本的集合作为预处理答案样本集。
[0094]
在一个可选实施例中，步骤s303包括：对答案样本进行同义转换，得到一个或多个与答案样本语义相同的同义答案样本；将同义答案样本以及答案样本作为预处理答案样本集。
[0095]
具体地，通过以下步骤得到同义答案样本：获取答案样本中的目标语句；在预设的同义语句库中查找与目标语句具有映射关系的同义语句；将答案样本中的目标语句替换为同义语句，生成同义答案样本。
[0096]
例如把答案样本转成“尊敬的客户您好，很高兴收到您的来电。买我们的产品需要您年满18岁，还需要在我们银行存款达到10万元以上。”，此时要点“您好，很高兴为您服务。”的意思也是完全表达出来，但是句式上是不同的，将该句式作为答案样本的同义答案样本。
[0097]
在一个可选实施例中，步骤s303包括：将答案样本中的各训练要点进行部分或全部删减，得到删减答案样本；将删减答案样本以及答案样本作为预处理答案样本集。
[0098]
例如把答案样本转成“您好。买我们的产品需要您年满18岁，还需要在我们银行存款达到10万元以上。”此时，该删减答案样本并没有完全表达出要点“您好，很高兴为您服务。”的意思。又例如直接把某个要点全部删除，或者某个要点部分全部替换为完全不相关的句子。例如把答案样本转成“你吃了吗。买我们的产品需要您年满18岁，还需要在我们银行存款达到10万元以上。”这时候要点“您好，很高兴为您服务。”的内容完全没有得到表达。
[0099]
步骤s304：对预处理答案样本集中的答案样本和预处理答案样本在各训练要点的评分进行标注，得到标注答案数据。
[0100]
在步骤s304中，需要对预处理答案样本集中的答案样本和预处理答案样本在各训练要点的评分进行标注。
[0101]
例如，将同义答案样本以及原始的答案样本在各要点的评分标注为满分，即10分。
[0102]
将删减答案样本根据保留的比例计算在各要点的评分，如删减答案样本“您好。买我们的产品需要您年满18岁，还需要在我们银行存款达到10万元以上。”此时，该删减答案样本并没有完全表达出要点“您好，很高兴为您服务。”的意思，只是部分表达了，因此，该删减答案样本在该要点标注的评分应该在0分到满分(10分)之间，如7分。具体可以根据保留的关键词的比例进行判定评分是多少，如某要点关键词有5个，删减答案样本表达的关键词有3个，则评分为满分的3/5，即6分。如把删减答案样本“你吃了吗。买我们的产品需要您年满18岁，还需要在我们银行存款达到10万元以上。”这时候要点“您好，很高兴为您服务。”的内容完全没有得到表达，因此，该删减答案样本在该要点标注的评分应该在0分。
[0103]
步骤s305：将标注答案数据以及各训练要点作为第二训练数据。
[0104]
在步骤s305中，需要分别向要点打分模型中输入“标注答案数据+某个训练要点”作为一个训练数据。
[0105]
步骤s306：将第二训练数据输入至要点划分模型，利用第二损失函数对要点打分模型进行优化，对要点打分模型的参数进行调整，得到预训练好的要点打分模型。
[0106]
在步骤s306中，将第二训练数据输入至要点打分模型，利用第二损失函数对要点打分模型进行优化，并对要点打分模型的参数进行调整，不断地进行迭代，直至要点打分模型对答案样本的要点评分的准确率高于预期，停止迭代，得到预训练好的要点打分模型。
[0107]
步骤s104：计算各划分语句的第一特征向量，计算当前输入的标准要点的第二特征向量。
[0108]
在步骤s104中，由于将待评分答案“需要你年满18岁，存款超过10万元。”划分为“需要你年满18岁，”和“存款超过10万元。”两个划分语句，则需要分别计算两个划分语句对应的第一特征向量。以及输入的标准要点“您好，很高兴为您服务。”的第二特征向量。
[0109]
步骤s105：计算第一特征向量以及第二特征向量的相似度，得到待评分答案与当前输入的标准要点的相似度。
[0110]
在步骤s105中，因为可能会涉及到一个第二特征向量分别与多个第一特征向量的相似度计算得到多个值，在此步骤中，将相似度最高的值作为判定该待评分答案对应当前输入的标准要点评分的值。
[0111]
具体地，计算第一特征向量以及第二特征向量的余弦相似度。
[0112]
步骤s106：根据相似度确定待评分答案对应当前输入的标准要点的评分。
[0113]
例如，相似度为0.7，则待评分答案对应当前输入的标准要点的评分为7分。
[0114]
通过上述步骤，即可得到待评分答案对应当前输入的标准要点的评分。再将待评分答案+下一个标准要点输入预训练好的要点打分模型中，即可得到待评分答案在下一个标准要点的评分。
[0115]
本发明的基于要点的答案评分方法通过上述步骤，能够根据标准答案预测待评分答案中的在每个标准要点的评分，而不是针对整个测待评分答案得到一个整体的分数。本发明能够更加清晰地分析出考试人员的答案在哪些要点上的不足，为考试人员后续的学习提供了重要的参考。
[0116]
进一步地，请参见图4，在一个可选实施例中，该方法在步骤s106后，还包括：
[0117]
步骤s401：累加待评分答案在所有标准要点的评分，得到待评分答案的总评分。
[0118]
通过步骤s401对待评分答案在所有标准要点的评分进行累加，可以得到待评分答案的总评分。
[0119]
请参见图5，为本发明实施例的基于要点的答案评分装置的结构示意图，用于实现上述基于要点的答案评分方法，该装置包括：
[0120]
数据获取模块51，用于获取预设标准答案以及待评分答案；
[0121]
要点划分模块52，用于将预设标准答案输入预训练好的要点划分模型中，对标准答案进行语义划分，得到若干个标准要点；
[0122]
语句划分模块53，用于将待评分答案与各标准要点分别输入预训练好的要点打分模型中，对待评分答案进行语义划分得到划分语句；
[0123]
第一计算模块54，用于计算各划分语句的第一特征向量，计算当前输入的标准要点的第二特征向量；
[0124]
第二计算模块55，用于计算第一特征向量以及第二特征向量的相似度，得到待评
分答案与当前输入的标准要点的相似度；
[0125]
第三计算模块56，用于根据相似度确定待评分答案对应当前输入的标准要点的评分。
[0126]
关于基于要点的答案评分装置50各个模块的具体限定可以参见基于要点的答案评分方法的描述，在此不做重复描述。
[0127]
请参阅图6，图6为本发明实施例的计算机设备的结构示意图。如图6所示，该计算机设备60包括处理器61及和处理器61耦接的存储器62。存储器62存储有用于实现上述任一实施例所述的基于要点的答案评分方法的程序指令。处理器61用于执行存储器62存储的程序指令。
[0128]
其中，处理器61还可以称为cpu(central processing unit，中央处理单元)。处理器61可能是一种集成电路芯片，具有信号的处理能力。处理器61还可以是通用处理器、数字信号处理器(dsp)、专用集成电路(asic)、现成可编程门阵列(fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0129]
参阅图7，图7为本发明实施例的计算机存储介质的结构示意图。本发明实施例的计算机存储介质存储有能够实现上述所有方法的计算机程序71，其中，该计算机程序71可以以软件产品的形式存储在上述计算机存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的计算机存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
[0130]
在本发明所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0131]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0132]
以上仅为本发明的实施方式，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

技术特征：
1.一种基于要点的答案评分方法，其特征在于，包括：获取预设标准答案以及待评分答案；将所述预设标准答案输入预训练好的要点划分模型中，对所述标准答案进行语义划分，得到若干个标准要点；将所述待评分答案与各所述标准要点分别输入预训练好的要点打分模型中，对所述待评分答案进行语义划分得到划分语句；计算各所述划分语句的第一特征向量，计算当前输入的所述标准要点的第二特征向量；计算所述第一特征向量以及所述第二特征向量的相似度，得到所述待评分答案与当前输入的所述标准要点的相似度；根据所述相似度确定所述待评分答案对应当前输入的所述标准要点的评分。2.根据权利要求1所述的基于要点的答案评分方法，其特征在于，所述要点划分模型通过以下步骤建立：构建所述要点划分模型；获取多个答案样本，根据语义对所述答案样本进行语义划分，根据划分结果对所述答案样本进行标注，得到第一训练数据；将所述第一训练数据输入至所述要点划分模型，利用第一损失函数对所述要点划分模型进行优化，并对所述要点划分模型的参数进行调整，得到预训练好的所述要点划分模型。3.根据权利要求2所述的基于要点的答案评分方法，其特征在于，所述要点打分模型通过以下步骤建立：构建所述要点打分模型；利用预训练好的所述要点划分模型对所述答案样本进行语义划分，得到若干个训练要点；对所述答案样本进行预处理，得到预处理答案样本，将所述预处理答案样本以及所述答案样本的集合作为预处理答案样本集；对所述预处理答案样本集中的所述答案样本和所述预处理答案样本在各所述训练要点的评分进行标注，得到标注答案数据；将所述标注答案数据以及各所述训练要点作为第二训练数据；将所述第二训练数据输入至所述要点划分模型，利用第二损失函数对所述要点打分模型进行优化，对所述要点打分模型的参数进行调整，得到预训练好的所述要点打分模型。4.根据权利要求3所述的基于要点的答案评分方法，其特征在于，所述对所述答案样本进行预处理，得到预处理答案样本，将所述预处理答案样本以及所述答案样本的集合作为预处理答案样本集包括：对所述答案样本进行同义转换，得到一个或多个与所述答案样本语义相同的同义答案样本；将所述同义答案样本以及所述答案样本作为预处理答案样本集。5.根据权利要求4所述的基于要点的答案评分方法，其特征在于，所述对所述答案样本进行同义转换，得到一个或多个与所述答案样本语义相同的同义答案样本包括：获取所述答案样本中的目标语句；
在预设的同义语句库中查找与所述目标语句具有映射关系的同义语句；将所述答案样本中的所述目标语句替换为所述同义语句，生成同义答案样本。6.根据权利要求3所述的基于要点的答案评分方法，其特征在于，所述对所述答案样本进行预处理，得到预处理答案样本包括：将所述答案样本中的各所述训练要点进行部分或全部删减，得到删减答案样本；将所述删减答案样本以及所述答案样本作为预处理答案样本集。7.根据权利要求1所述的基于要点的答案评分方法，其特征在于，所述根据所述相似度确定所述待评分答案对应当前所述标准要点的评分之后，还包括：累加所述待评分答案在所有所述标准要点的评分，得到所述待评分答案的总评分。8.一种基于要点的答案评分装置，其特征在于，包括：数据获取模块，用于获取预设标准答案以及待评分答案；要点划分模块，用于将所述预设标准答案输入预训练好的要点划分模型中，对所述标准答案进行语义划分，得到若干个标准要点；语句划分模块，用于将所述待评分答案与各所述标准要点分别输入预训练好的要点打分模型中，对所述待评分答案进行语义划分得到划分语句；第一计算模块，用于计算各所述划分语句的第一特征向量，计算当前输入的所述标准要点的第二特征向量；第二计算模块，用于计算所述第一特征向量以及所述第二特征向量的相似度，得到所述待评分答案与当前输入的所述标准要点的相似度；第三计算模块，用于根据所述相似度确定所述待评分答案对应当前输入的所述标准要点的评分。9.一种计算机设备，所述计算机设备包括存储器及与所述存储器连接的处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任一项所述的基于要点的答案评分方法。10.一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的基于要点的答案评分方法。

技术总结
本发明涉及数据处理技术领域，特别是涉及一种基于要点的答案评分方法、装置、设备及存储介质。该方法包括：获取预设标准答案以及待评分答案；将所述预设标准答案输入预训练好的要点划分模型中，对所述标准答案进行语义划分，得到若干个标准要点；将所述待评分答案与各所述标准要点分别输入预训练好的要点打分模型中，对所述待评分答案进行语义划分得到划分语句；计算各所述划分语句的第一特征向量，计算当前输入的所述标准要点的第二特征向量；计算所述第一特征向量以及所述第二特征向量的相似度，得到所述待评分答案与当前输入的所述标准要点的相似度；根据所述相似度确定所述待评分答案对应当前输入的所述标准要点的评分。分。分。


技术研发人员：陈炳坤
受保护的技术使用者：青牛智胜（深圳）科技有限公司
技术研发日：2023.04.18
技术公布日：2023/7/13