作文自动评分关键技术研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 本文研究的背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 作文自动评分研究现状 | 第10-11页 |
| 1.2.2 词表示方法研究现状 | 第11-13页 |
| 1.3 本文主要研究内容 | 第13-14页 |
| 1.4 本文内容安排 | 第14-16页 |
| 第2章 基于随机森林的作文自动评分研究 | 第16-32页 |
| 2.1 引言 | 第16页 |
| 2.2 实验数据集及评价方法 | 第16-19页 |
| 2.2.1 实验数据集 | 第16-17页 |
| 2.2.2 实验评价方法 | 第17-19页 |
| 2.3 特征抽取 | 第19-23页 |
| 2.3.1 非文本特征 | 第19-20页 |
| 2.3.2 LDA主题特征 | 第20-23页 |
| 2.4 基于随机森林的方法 | 第23-25页 |
| 2.4.1 随机森林的构建过程 | 第23-25页 |
| 2.4.2 随机森林的作文评分方法 | 第25页 |
| 2.5 实验及结果分析 | 第25-31页 |
| 2.5.1 实验设置和基线方法 | 第26-27页 |
| 2.5.2 基于非文本特征的分类和回归模型实验 | 第27-28页 |
| 2.5.3 非文本特征特征组合实验 | 第28-29页 |
| 2.5.4 文本特征和非文本特征结果对比 | 第29-31页 |
| 2.6 本章小结 | 第31-32页 |
| 第3章 基于词向量聚类的作文自动评分研究 | 第32-48页 |
| 3.1 引言 | 第32-33页 |
| 3.2 基于BROWN词聚类的基线方法 | 第33-35页 |
| 3.2.1 Brown词聚类方法简介 | 第33-34页 |
| 3.2.2 词聚类后的特征抽取 | 第34-35页 |
| 3.3 基于词向量的词表示方法 | 第35-39页 |
| 3.3.1 神经网络语言模型 | 第35-36页 |
| 3.3.2 基于word2vec的词向量方法 | 第36-37页 |
| 3.3.3 融合主题信息的词向量方法 | 第37-39页 |
| 3.4 词向量聚类的评分方法 | 第39-42页 |
| 3.4.1 词向量聚类 | 第40-42页 |
| 3.4.2 特征抽取和训练方法 | 第42页 |
| 3.5 实验及结果分析 | 第42-47页 |
| 3.5.1 基于词向量的词相似度评估 | 第42-44页 |
| 3.5.2 基于词向量聚类的作文评分实验 | 第44-47页 |
| 3.6 本章小结 | 第47-48页 |
| 第4章 作文自动评分系统的设计与实现 | 第48-58页 |
| 4.1 引言 | 第48页 |
| 4.2 已有的作文自动评分系统简介 | 第48-50页 |
| 4.3 作文自动评分系统 | 第50-54页 |
| 4.3.1 系统框架 | 第50页 |
| 4.3.2 作文评分模块 | 第50-52页 |
| 4.3.3 优秀作文推荐模块 | 第52-53页 |
| 4.3.4 作文检索模块 | 第53-54页 |
| 4.4 作文自动评分系统展示及分析 | 第54-57页 |
| 4.4.1 主页面展示 | 第54页 |
| 4.4.2 评分结果展示 | 第54-56页 |
| 4.4.3 优秀作文推荐展示 | 第56-57页 |
| 4.4.4 作文检索结果展示 | 第57页 |
| 4.5 本章小结 | 第57-58页 |
| 结论 | 第58-60页 |
| 参考文献 | 第60-66页 |
| 致谢 | 第66页 |
