英语作文自动评分算法的研究与设计
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究意义 | 第12-13页 |
| 1.3 国内外研究现状综述 | 第13-14页 |
| 1.4 研究内容和目标 | 第14-15页 |
| 1.5 论文结构 | 第15-17页 |
| 第2章 相关理论与技术分析 | 第17-27页 |
| 2.1 自然语言处理相关的理论与技术 | 第17-19页 |
| 2.1.1 词性标注 | 第17-18页 |
| 2.1.2 句法分析 | 第18-19页 |
| 2.1.3 停用词过滤 | 第19页 |
| 2.2 语言模型和词向量 | 第19-21页 |
| 2.2.1 n-gram模型 | 第19-20页 |
| 2.2.2 神经网络语言模型 | 第20-21页 |
| 2.2.3 词向量 | 第21页 |
| 2.3 机器学习 | 第21-25页 |
| 2.3.1 决策树 | 第22-24页 |
| 2.3.2 集成学习 | 第24-25页 |
| 2.4 本章小结 | 第25-27页 |
| 第3章 文本内容的表征方法研究 | 第27-39页 |
| 3.1 基于向量空间模型的文本内容表征方法 | 第27-32页 |
| 3.1.1 向量空间模型基本概念 | 第27页 |
| 3.1.2 特征项的选择 | 第27-28页 |
| 3.1.3 TF-IDF权重 | 第28-29页 |
| 3.1.4 基于向量空间的关键词提取算法设计 | 第29-31页 |
| 3.1.5 基于向量空间的关键词提取算法实现 | 第31-32页 |
| 3.2 基于词向量聚类的文本内容表征方法 | 第32-38页 |
| 3.2.1 神经网络语言模型 | 第32-34页 |
| 3.2.2 基于word2vec的词向量生成方法 | 第34-35页 |
| 3.2.3 基于词向量的聚类算法的设计 | 第35-36页 |
| 3.2.4 基于词向量的聚类算法的实现 | 第36-38页 |
| 3.2.5 词向量聚类后的特征提取 | 第38页 |
| 3.3 本章小结 | 第38-39页 |
| 第4章 英语作文评分模型的设计与实现 | 第39-53页 |
| 4.1 英语作文评分模型总体设计 | 第39-41页 |
| 4.2 数据预处理 | 第41页 |
| 4.3 特征的提取 | 第41-44页 |
| 4.3.1 非文本特征的提取 | 第41-42页 |
| 4.3.2 文本特征的提取 | 第42-44页 |
| 4.4 机器学习模型预测 | 第44-52页 |
| 4.4.1 随机森林 | 第45-46页 |
| 4.4.2 梯度提升树 | 第46-48页 |
| 4.4.3 XGBoost | 第48-49页 |
| 4.4.4 模型参数调整 | 第49-51页 |
| 4.4.5 模型融合 | 第51-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第5章 英语作文评分模型的评估与验证 | 第53-61页 |
| 5.1 实验数据和评价标准 | 第53-55页 |
| 5.1.1 实验数据 | 第53-54页 |
| 5.1.2 评价标准 | 第54-55页 |
| 5.2 评分效果验证 | 第55-60页 |
| 5.2.1 基线介绍 | 第55页 |
| 5.2.2 非文本特征的效果验证 | 第55-56页 |
| 5.2.3 文本特征的效果验证 | 第56-58页 |
| 5.2.4 模型参数调整以及模型融合的效果验证 | 第58-60页 |
| 5.3 本章小结 | 第60-61页 |
| 第6章 总结与展望 | 第61-63页 |
| 6.1 工作总结 | 第61-62页 |
| 6.2 未来工作展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-69页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第69页 |
