(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111675700.7 (22)申请日 2021.12.31 (71)申请人 科大讯飞股份有限公司 地址 230088 安徽省合肥市高新区望江西 路666号 (72)发明人 王硕　汪洋　盛志超　王士进　 竺博　魏思　 (74)专利代理 机构 北京布瑞知识产权代理有限 公司 11505 专利代理师 秦卫中 (51)Int.Cl. G06N 3/08(2006.01) G06N 3/04(2006.01) G09B 7/02(2006.01) (54)发明名称 训练试题评分模 型的方法、 试题评分方法及 装置 (57)摘要 本申请披露了一种训练试题评分模型的方 法、 试题评分方法及装置。 该方法包括： 获取题库 内试题对应的学生答卷， 学生答卷包括题库内试 题对应的答题结果； 根据答题结果， 利用第二试 题评分模型确定学生答卷的评分， 其中第二试题 评分模型是通过在保持第一试题评分模型的参 数不变的情况下， 利用题库内样 本试题的评分数 据对嵌入第一试题评分模型的第二神经网络模 型进行训练得到的， 第一试题评分模 型是利用题 库外样本试题的评分数据对第一神经网络模型 进行预训练得到的。 本申请能够保证评分模型针 对特定试题进行评分的有效性， 并且降低了训练 成本、 维护成本和部署成本 。 权利要求书3页 说明书15页 附图5页 CN 114548398 A 2022.05.27 CN 114548398 A 1.一种试题评分方法， 其特 征在于， 包括： 获取题库内试题对应的学生答卷， 所述学生答卷包括所述题库内试题对应的答题结 果； 根据所述答题结果， 利用第二试题评分模型确定所述学生答卷的评分， 其中所述第二 试题评分模型是通过在保持第一试题评 分模型的参数不变的情况下， 利用题库内样本试题 的评分数据对嵌入所述第一试题评 分模型的第二神经网络模型进 行训练得到的， 所述第一 试题评分模型 是利用题库外样本试题的评分数据对第一神经网络模型进行 预训练得到的。 2.根据权利要求1所述的试题评分方法， 其特 征在于， 还 包括： 获取所述题库内试题对应的学生 答卷和对应的考试 标识， 其中， 所述根据所述答题结果， 利用第二试题评分模型确定所述学生答卷的评分， 包 括： 根据所述答题结果和所述题库内试题对应的考试标识， 利用所述第 二试题评分模型确 定所述学生 答卷的评分。 3.根据权利要求1所述的试题评分方法， 其特征在于， 所述第 一试题评分模型是经过如 下预训练过程得到的： 根据题库外样本试题和与 所述题库外样本试题对应的考试标识， 通过所述第 一试题评 分模型， 得到所述题库外样本试题对应的预测评分结果和所述考试标识对应的考试分类预 测结果； 对所述题库外样本试题中的预设词汇进行掩模处理和/或替换处理， 得到处理后的题 库外样本试题， 并根据所述处理后的题库外样 本试题， 通过所述第一试题评 分模型， 得到所 述预设词汇的预测结果； 根据所述题库外样本试题对应的预测评分结果、 所述考试标识对应的考试分类预测结 果以及所述预设词汇的预测结果， 确定所述第一试题评分模型的损失函数值； 基于所述损失函数值， 更新所述第一试题评分模型的参数。 4.根据权利要求3所述的试题评分方法， 其特征在于， 所述根据 所述题库外样本试题对 应的预测评分结果、 所述考试标识对应的考试分类预测结果以及所述预设词汇的预测结 果， 确定所述第一试题评分模型的损失函数值， 包括： 根据所述预测评分结果和所述题库外样本试题的人工评分结果， 确定所述第 一试题评 分模型的第一损失函数值； 根据所述考试分类预测结果和人工考试分类结果， 确定所述第 一试题评分模型的第 二 损失函数值； 根据所述预设词汇的预测结果和所述预设词汇， 确定所述第 一试题评分模型的第 三损 失函数值； 基于所述第一损 失函数值、 所述第二损 失函数值以及所述第三损 失函数值， 确定所述 第一试题评分模型的损失函数值。 5.根据权利要求4所述的试题评分方法， 其特征在于， 所述第 一试题评分模型的损失函 数值为所述第一损失函数值、 第二损失函数值和第三损失函数值的加权平均值。 6.根据权利要求1所述的试题评分方法， 其特征在于， 所述第 一试题评分模型包括至少 一个编码层， 所述编码层具有自注意力机制， 所述第二试题评分模型包括所述至少一个编权　利　要　求　书 1/3 页 2 CN 114548398 A 2码层和嵌入在每个编码层中的至少一个适配器模型， 适配器模型用于根据所述题库内试题 对应的考试标识对所述题库内试题进 行特征提取， 其中所述至少一个适配器模型是在保持 所述第一试题评分模型的参数不变的情况下， 利用题库内样本试题的评分数据对所述第一 试题评分模型中嵌入的第二神经网络模型的参数进行调整得到的。 7.根据权利要求6所述的试题评分方法， 其特征在于， 所述第 二试题评分模型还包括共 享参数层， 其中， 所述方法还 包括： 根据所述题库内试题对应的考试标识， 通过所述共享参数层动态地生成所述至少一个 适配器模型的参数。 8.根据权利要求1所述的试题评分方法， 其特征在于， 所述第 二试题评分模型包括至少 一个编码层、 嵌入在每 个编码层中的至少一个适配 器模型和共享 参数层， 其中， 所述方法还 包括： 根据所述题库内样本试题对应的考试标识， 通过所述共享参数层动态地生成所述至少 一个适配 器模型的参数。 9.根据权利要求8所述的试题评分方法， 其特征在于， 所述利用题库内样本试题的评分 数据对所述第一试题评 分模型中嵌入的第二神经网络模型进 行训练， 得到第二试题评 分模 型， 包括： 根据所述题库内样本试题， 通过所述至少一个编码层和所述至少一个适配器， 得到所 述题库内样本试题的预测评分结果； 根据所述题库内样本试题的预测评分结果和所述题库内样本试题的人工评分结果之 间的差异， 更新所述共享 参数层的参数。 10.根据权利要求9所述的试题评分方法， 其特征在于， 所述至少一个编码层包括一个 编码层， 所述至少一个适配 器模型包括 一个适配 器模型， 其中， 所述根据所述题库内样本试题对应的考试标识， 通过所述共享参数层动态地生 成所述至少一个适配 器模型的参数， 包括： 通过所述共享参数层的嵌入层， 将所述题库内样本试题对应的考试标识转换为嵌入层 向量； 将所述嵌入层向量依次输入所述共享参数层的第一线性层、 激活函数层和第二线性 层， 得到所述 适配器模型的参数。 11.根据权利要求9所述的试题评分方法， 其特征在于， 所述至少一个编码层包括多个 编码层， 所述至少一个适配 器模型包括多个适配 器模型， 其中， 根据所述题库内样本试题对应的考试标识， 通过所述共享参数层动态地生成所 述至少一个适配 器模型的参数， 包括： 根据所述题库内样本试题对应的考试标识与所述多个编码层对应的编码层位置标识 的对应关系， 从所述多个编码层选取一个编码层， 得到所述编码层的编码层位置标识； 根据所述题库内样本试题对应的考试标识与所述多个适配器模型对应的适配器位置 标识的对应关系， 从所述编码层中的多个适配器模型选取一个适配器模型， 得到所述适配 器模型的适配 器位置标识； 通过所述共享参数层的嵌入层， 将所述考试标识、 编码层位置标识以及适配器位置标权　利　要　求　书 2/3 页 3 CN 114548398 A 3