| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题背景及研究的目的和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 国外研究现状 | 第10-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.3 本文主要研究内容 | 第14-15页 |
| 1.4 本文内容安排 | 第15-16页 |
| 第2章 基于N-gram共现的简答题自动评价研究 | 第16-33页 |
| 2.0 引言 | 第16页 |
| 2.1 历史简答题样本分布分析 | 第16-18页 |
| 2.2 历史简答题学生答案得分点分析 | 第18-20页 |
| 2.3 n-gram共现特征的计算方法 | 第20-24页 |
| 2.3.1 BLEU和N-gram共现 | 第20-21页 |
| 2.3.2 ROUGE和N-gram共现 | 第21-24页 |
| 2.4 模型与评价方法 | 第24-27页 |
| 2.4.1 SVM排序模型 | 第24-26页 |
| 2.4.2 spearman秩相关系数简介 | 第26-27页 |
| 2.5 实验方法与实验结果 | 第27-32页 |
| 2.5.1 N-gram共现特征的提取 | 第27-30页 |
| 2.5.2 特征对比实验 | 第30-31页 |
| 2.5.3 基于N-gram特征的SVM排序模型实验 | 第31-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第3章 面向浅层语言学知识的简答题自动评价研究 | 第33-45页 |
| 3.1 引言 | 第33页 |
| 3.2 基于词性的词汇共现特征 | 第33-35页 |
| 3.3 基于命名实体识别的词汇共现特征 | 第35-37页 |
| 3.4 基于检索模型的相似度特征 | 第37-42页 |
| 3.4.1 基于概率检索模型的相似度计算方法 | 第37-39页 |
| 3.4.2 基于语言模型的相似度计算方法 | 第39-40页 |
| 3.4.3 基于向量空间模型的相似度计算方法 | 第40-42页 |
| 3.4.4 特征提取与分析 | 第42页 |
| 3.5 基于面向语言学知识特征的排序模型实验 | 第42-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第4章 基于深度学习的简答题自动评价 | 第45-57页 |
| 4.1 引言 | 第45页 |
| 4.2 基于神经网络的句向量生成方法介绍 | 第45-51页 |
| 4.2.1 Skip-Thought方法介绍 | 第45-48页 |
| 4.2.2 Paragraph Vector方法介绍 | 第48-51页 |
| 4.3 基于句向量的语义相似度特征提取 | 第51-54页 |
| 4.3.1 基于skip-thought的语义相似度特征提取 | 第51-54页 |
| 4.3.2 基于Paragraph Vector的语义相似度特征提取 | 第54页 |
| 4.4 基于深度学习的相似度特征的排序模型实验 | 第54-56页 |
| 4.5 本章小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63页 |
