發(fā)布時間：2021-08-18 05:04

　　英語作文可以考察英語學習者的語言綜合運用能力,在平時的學習中,一般都是老師人工評閱,這種評閱方法主觀性強,閱卷強度大使得評卷效率低、誤判率高。計算機技術的發(fā)展加快了AES（作文自動評分,Automated Essay Scoring）技術研究與應用的進程,這種技術可以對作文進行分析和打分,相比人工評閱,計算機評分成本低、審閱效率高,同時可以反饋更多的評價信息,比如每篇作文的單詞拼寫、語法錯誤等,還可以推薦優(yōu)秀的詞句和作文素材,為學習者提供更科學地作文寫作指導意見。然而,目前AES系統(tǒng)的構建和評價大部分基于論文內容的統(tǒng)計信息,對于作文的邏輯、詞句的質量等評估仍不夠深入和準確。因此,在提高預測分值的準確度的同時,也要對作文內容全面評價,以使得AES系統(tǒng)更好地應用于實際作文批改當中。本文研究了AES相關技術,設計了特征的提取模型并討論了集成學習方法。首先,本文構建了AES總體模型,并分析對比關鍵技術的一系列仿真實驗;然后,引入句子優(yōu)美性識別模型,通過調研確定優(yōu)美性的評價標準,并在網絡上收集大量的原始數據,然后人工制定特征提取方案并融入卷積神經網絡當中訓練句子優(yōu)美性識別模型,通過優(yōu)美性識別模型... 

【文章來源】：華中師范大學湖北省 211工程院校 教育部直屬院校

【文章頁數】：76 頁

【學位級別】：碩士

【部分圖文】：

圖１．１研宂思路圖??本文的主要工作如下：??（１）明確研宄現狀以確定本文的研宄內容

第２章英語ＡＥＳ模型總體設計??２．１評分模型的基本框架??本章ＡＥＳ模型總體設計如圖２．１所示。??它主要由四大部分構成，分別是數據清洗及處理模塊、文本語義特征生成模塊、??語言學特征生成模塊以及預測模塊。??數據清洗及處理模塊包括分詞，大小寫轉換，去除停用詞及標點符號等一系列??步驟。英文寫作中，每個單詞以空格分開，因此在分詞的時候通過空格將句子分詞；??句子第一個單詞的首字母通常是大寫的，且有些單詞被大寫以重點強調和區(qū)別，從??計算機的角度來看是沒法區(qū)別’Ｂｉｋｅ’、‘ｂｉｋｅ’、‘ＢＩＫＥ’是否為同一個意思，所以我們??通常將文本中的字母轉換為小寫；停用詞是無含義的詞，例如‘ｉｓ’、‘ｏｕｒ’、‘ｔｈｅ’、‘ｉｎ’、??‘ａｔ’等。它們不會給句子增加太多含義。為了減少需要處理的詞匯量，從而降低后??續(xù)程序的復雜性

學位論文??ＴＥＲ＇Ｓ?ＴＨＥＳＩＳ??文集中的作文文本４?（４ｅＷ，４，式，…Ｘ］）：??（１）獲取作文４的詞向量集；??（２）并統(tǒng)計不同聚類簇下詞向量的個數分布；??（３）返回個數分布將其作為詞向量聚類特征???ａｘ（／（Ａ〇）時，＊?＝尺，此時／（幻為適應度函數最大值。經過本聚類模型并由計算可知，當Ｋ＝３０時適應度函數有最大值遞增，於欠時單調遞減，／幻隨聚類簇的個數々值的變化曲


本文編號：3349251