LSA在中文短文自动判分系统中的应用研究

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (20): 177-180.

LSA在中文短文自动判分系统中的应用研究

李莉，张太红

新疆农业大学计算机与信息工程学院，乌鲁木齐 830052

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-07-11 发布日期:2007-07-11
通讯作者: 李莉

Application researches of latent semantic analysis in Chinese essay auto scoring system construction

LI Li，ZHANG Tai-hong

College of Computer and Information Engineering，Xingjian Agricultural University，Urumqi 830052，China

Received:1900-01-01 Revised:1900-01-01 Online:2007-07-11 Published:2007-07-11
Contact: LI Li

摘要/Abstract

摘要： 对潜在语义分析（Latent Semantic Analysis，LSA）的理论基础进行了介绍，研究了潜在语义分析在中文短文写作自动评分领域的应用方法。从136名大学生的短文写作试卷着手，对比了不同的语义空间构造方法和不同数据标准化方法对机器自动评分结果的影响，探讨了SVD的作用和奇异值个数K的取值规律，比较了LSA对不同类型学生的短文写作自动评分结果的差异。通过与两名教师对学生短文写作评分的比较表明，使用机器对主观题进行自动评分是可行的，该方法为自动化考试系统试题多样性提供了有效的解决方案。

关键词: 潜在语义分析, 奇异值分解, 主观题自动判分

Abstract: The basic idea of Latent Semantic Analysis（LSA） is described in the introduction of the paper.The application of LSA to the Chinese writing essays’ auto scoring is studied in this paper.The influence of machine auto scoring results of different data standard processing and different semantic space construction methods are compared basing on the analysis of 136 college students’ writing test paper.The effect of Singular Value Decomposition（SVD） and the rules for definition of the K numbers of singular values are discussed.In the last part of the paper，two teachers validate the results.It shows that it is feasible to score Chinese subjective test by machine auto scoring system.The method proposed in this paper offers a new option for variety test questions of auto test system.

Key words: Latent Semantic Analysis（LSA）, Singular Value Decomposition（SVD）, machine auto scoring in subjective test

李莉，张太红. LSA在中文短文自动判分系统中的应用研究[J]. 计算机工程与应用, 2007, 43(20): 177-180.

LI Li，ZHANG Tai-hong. Application researches of latent semantic analysis in Chinese essay auto scoring system construction[J]. Computer Engineering and Applications, 2007, 43(20): 177-180.

[1]	蔡冬丽，钟清华，朱永升，廖金湘，韩劢之. 三维输入卷积神经网络脑电信号情感识别[J]. 计算机工程与应用, 2021, 57(5): 161-167.
[2]	杨信民，董红斌，谭成予，周雯. 采用奇异值分解和信息增益的树突状细胞模型[J]. 计算机工程与应用, 2021, 57(15): 156-162.
[3]	赵青，冶继民，常芳丽. 两正定矩阵联合对角化盲分离算法[J]. 计算机工程与应用, 2019, 55(7): 214-219.
[4]	曹浩，陈里里，司吉兵，任君兰. 奇异值分解和稀疏自编码器的轴承故障诊断[J]. 计算机工程与应用, 2019, 55(20): 257-262.
[5]	赵建，张友鹏，赵斌. 基于奇异值分解理论的钢轨断裂检测方法[J]. 计算机工程与应用, 2018, 54(9): 243-250.
[6]	梁新宇1，2，吴建德1，2，黄国勇1，2，孙磊1，2. H∞鲁棒自适应CKF算法在组合导航中的应用[J]. 计算机工程与应用, 2018, 54(9): 251-256.
[7]	王茜竹，邱聪聪. Massive MIMO系统基于子空间的半盲信道估计[J]. 计算机工程与应用, 2018, 54(8): 91-95.
[8]	黄刚劲1，2，范玉刚1，2，冯早1，2，刘英杰1，2. 基于广义形态滤波和MRSVD的故障诊断方法研究[J]. 计算机工程与应用, 2018, 54(3): 217-221.
[9]	李天雪，王建平，张敏情，孔咏骏. 基于SVD压缩的高保真可逆信息隐藏算法[J]. 计算机工程与应用, 2018, 54(14): 115-119.
[10]	刘翠响，马玉双，王宝珠，郭志涛. 过完备字典稀疏表示下的RAMP重构算法[J]. 计算机工程与应用, 2018, 54(14): 199-202.
[11]	郑雄风，丁立新，万润泽. 基于用户和产品Attention机制的层次BGRU模型[J]. 计算机工程与应用, 2018, 54(11): 145-152.
[12]	李越1，2，范玉刚1，2，黄国勇1，2. MRSVD敏感分量在单频周跳探测修复中的应用[J]. 计算机工程与应用, 2017, 53(7): 220-224.
[13]	符颖，王星，周东青，范翔宇，周一鹏. 基于模糊函数SVD和改进S3VM的雷达信号识别[J]. 计算机工程与应用, 2017, 53(6): 264-270.
[14]	张培科1，2，武元新2，蔡奇1，2. 基于单应矩阵的相对位姿改进算法[J]. 计算机工程与应用, 2017, 53(15): 25-30.
[15]	孙磊1，2，黄国勇1，2，李越1，2. 改进的强跟踪SVD-UKF算法在组合导航中的应用[J]. 计算机工程与应用, 2017, 53(10): 225-229.