基于神經(jīng)網(wǎng)絡(luò)題目的自動化解析研究

薛靜 程達(dá)

摘 要：在線練習(xí)是在線教育的必備一環(huán)，但從傳統(tǒng)線下教育轉(zhuǎn)到線上教育時(shí)需要將往年積累的海量習(xí)題導(dǎo)入在線教育配套的數(shù)據(jù)庫中。這一過程會消耗大量的人力、財(cái)力，出現(xiàn)效率低、出錯(cuò)率等一系列問題。針對這些問題，文章提出一種基于神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)模型。

關(guān)鍵詞：題目解析;在線教育;TensorFlow;神經(jīng)網(wǎng)絡(luò)

0? ? 引言

該研究目標(biāo)是改變?nèi)肆χ祁}導(dǎo)題，實(shí)現(xiàn)全自動化解析處理。目前，市場上人力導(dǎo)題的普遍方法是，首先下載電子版試題，然后在每一題的指定位置上以人工的方式加入試題所需標(biāo)記，然后計(jì)算機(jī)遍歷試題文檔，按指定的標(biāo)記解析出對應(yīng)的題目、題型與題號等數(shù)據(jù)。

1? ? 基于神經(jīng)網(wǎng)絡(luò)的軟件系統(tǒng)設(shè)計(jì)

整套軟件系統(tǒng)由服務(wù)端與測試客戶端（demo）組成，并提供可用于第三方集成的SDK。

1.1? 服務(wù)端設(shè)計(jì)

1.1.1? 服務(wù)端架構(gòu)

服務(wù)端采用的是SOA架構(gòu)，由Service Interface層、Service Bus層和 Persistence層組成。使用的技術(shù)框架包括：Flask與TensorFlow。ServiceInterface與ServiceBus由Flask框架+TensorFlow框架結(jié)合RabbitMQ實(shí)現(xiàn)，其中識別處理與模型訓(xùn)練由TensorFlow實(shí)現(xiàn)[1]。Persistence由MySQL實(shí)現(xiàn)。

1.1.2? 服務(wù)端模塊

服務(wù)端由服務(wù)接口層、服務(wù)總線層、數(shù)據(jù)持久化層組成。服務(wù)接口層是面向用戶或者二次開發(fā)人員的endpoint，提供的接口有4個(gè)。

（1）用戶注冊接口。

用戶注冊接口主要用于注冊使用的用戶，請求地址為 IP/reg，請求參數(shù)如表1所示。

（2）題目上傳接口。

題目上傳接口用于用戶提交試題文檔，請求參數(shù)如表2所示。

（3）題目解析接口。

題目解析接口用于用戶獲取題目的智能解析結(jié)果，請求參數(shù)如表3所示，返回參數(shù)如表4所示。

另外，還有識別處理模塊及模型訓(xùn)練模塊的設(shè)計(jì)，識別處理模塊的目標(biāo)是識別出文檔中的所有試題，并且做到準(zhǔn)確拆分試題，之后識別題型，從而生成標(biāo)準(zhǔn)化試題[2]。根據(jù)特征識別試題的偏移量就成為拆分試題文檔的關(guān)鍵。模型訓(xùn)練模塊是提升試題識別能力的關(guān)鍵。其分為題型模型、題號模型與題干模型等。前文已經(jīng)論述如何提取題號偏移量，最終達(dá)到提取試題的目的。因此，提升題號識別能力，訓(xùn)練題號模型就成為提高拆分試題準(zhǔn)確率的核心。

2? ? 實(shí)驗(yàn)結(jié)果

點(diǎn)擊“解析試卷”后，從服務(wù)器返回的結(jié)果可以清楚看到所用時(shí)間情況和試題的解析情況。原試卷是一套完整的帶標(biāo)準(zhǔn)答案的初中數(shù)學(xué)試卷，其中包含選擇、填空和解答三種題型，沒有做任何的標(biāo)記處理。經(jīng)服務(wù)端解析后，進(jìn)行了準(zhǔn)確的切分，從試卷中提取出每個(gè)試題，并識別出對應(yīng)的題型。

實(shí)驗(yàn)過程中用一套完整的初中數(shù)學(xué)試卷作為實(shí)驗(yàn)用例，試卷中包含選擇題12道、填空題4道、計(jì)算題6道。人力制題，用時(shí)48分鐘，平均每題用時(shí)約2.2分鐘，折合132秒。利用該軟件制題，用時(shí)7.35秒，平均每題0.33秒。由此可見，制題效率得到極大的提升，實(shí)現(xiàn)了本文的研究目標(biāo)。

3? ? 結(jié)語

本文的研究是在充分調(diào)研在線教育行業(yè)現(xiàn)狀的基礎(chǔ)上展開的。首先，針對目前基于word人工制作可用于大數(shù)據(jù)學(xué)情分析的標(biāo)準(zhǔn)化試題的現(xiàn)狀，本文提出了完整的提升效率的方案。其次，研究并建設(shè)了完整的軟件實(shí)驗(yàn)環(huán)境。最后，用相同的一套試題分別測試了人工制題和AI制題的效率，測試結(jié)果充分證明了該研究的必要性和重要性。

[參考文獻(xiàn)]

[1]朱溦.神經(jīng)網(wǎng)絡(luò)結(jié)合平均影響值方法篩選變量[J].產(chǎn)業(yè)與科技論壇，2017（1）：78-79.

[2]俞頌華.卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用綜述[J].信息通信，2019（2）：39-43.

（編輯 王永超）