| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 国外研究现状 | 第11-13页 |
| 1.2.1 Project Essay Grade---PEG | 第11页 |
| 1.2.2 Intelligent Essay Assessor---IEA | 第11-12页 |
| 1.2.3 Electronic Essay Rater---E-rater | 第12页 |
| 1.2.4 IntelliMetricTM | 第12-13页 |
| 1.2.5 Bayesian Essay Test Scoring System---BETSY | 第13页 |
| 1.3 国内研究现状 | 第13-14页 |
| 1.3.1 冰果英语智能作文评阅系统 | 第13页 |
| 1.3.2 句酷批改网英语智能作文评阅系统 | 第13-14页 |
| 1.3.3 自动作文批改理论研究 | 第14页 |
| 1.4 本文的主要工作 | 第14页 |
| 1.5 本文的组织结构 | 第14-16页 |
| 第二章 作文特征向量的抽取 | 第16-22页 |
| 2.1 作文的预处理 | 第17页 |
| 2.2 特征值的选取 | 第17-20页 |
| 2.2.1 TF×IDF(词频×逆文档频率) | 第17-18页 |
| 2.2.2 MI(互信息量) | 第18页 |
| 2.2.3 χ~2(卡方检验) | 第18-20页 |
| 2.3 权值函数 | 第20页 |
| 2.4 本章小结 | 第20-22页 |
| 第三章 作文内容表示模型 | 第22-32页 |
| 3.1 向量空间模型 | 第22-23页 |
| 3.2 潜在语义分析模型 | 第23-29页 |
| 3.2.1 潜在语义分析的特点 | 第23-24页 |
| 3.2.2 奇异值分解 | 第24-26页 |
| 3.2.3 潜在语义分析实例 | 第26-29页 |
| 3.3 基于LCS作文的内在关联度 | 第29-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第四章 作文语言表示模型 | 第32-38页 |
| 4.1 Lucene Analyzer模块 | 第33页 |
| 4.2 WordNet语义词典 | 第33-35页 |
| 4.3 基于Stanford Parser生成的句法树模型 | 第35页 |
| 4.4 基于规则的语法匹配模型 | 第35-37页 |
| 4.5 本章小结 | 第37-38页 |
| 第五章 以信息增益为权重的距离加权KNN算法 | 第38-44页 |
| 5.1 基于KNN算法的作文内容评分 | 第38-39页 |
| 5.2 KNN算法不足之处及改进 | 第39页 |
| 5.3 改进的KNN算法 | 第39-43页 |
| 5.3.1 以信息增益为属性的权值 | 第39-41页 |
| 5.3.2 计算文章中各属性的信息增益值 | 第41-42页 |
| 5.3.3 对距离进行加权 | 第42-43页 |
| 5.3.4 改进后的KNN算法 | 第43页 |
| 5.4 本章小结 | 第43-44页 |
| 第六章 KNN在英语自动评分方法中的研究 | 第44-53页 |
| 6.1 问题的提出 | 第44页 |
| 6.2 数据的抽取 | 第44-49页 |
| 6.2.1 数据预处理 | 第44-46页 |
| 6.2.2 属性抽取 | 第46-49页 |
| 6.2.3 特征选择 | 第49页 |
| 6.3 英语作文自动评分的实验分析 | 第49-52页 |
| 6.4 本章小结 | 第52-53页 |
| 第七章 总结与展望 | 第53-55页 |
| 7.1 工作总结 | 第53-54页 |
| 7.2 未来展望 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 攻读学位期间发表的论文 | 第59页 |
