面向自动短答案评分的联合多领域学习
计算与语言
2019-02-26 v1
摘要
构建任何智能辅导系统的基本挑战之一是其自动评分学生简短答案的能力。典型的自动短答案评分系统（ASAG）对多个领域（或学科）的学生答案进行评分。对学生答案评分需要构建一个监督机器学习模型，用于评估学生答案与参考答案之间的相似性。我们观察到，与典型的文本相似性或蕴含任务不同，这里的相似性概念并非通用的。一方面，语言的释义结构可指示与领域无关的相似性。另一方面，两个彼此并非严格同义词的词或短语，在某些领域中可能意指相同。基于该观察，我们提出 JMD-ASAG，首个用于自动短答案评分的联合多领域深度学习架构，其通过从有限的领域级训练数据中学习通用与领域特定方面来进行领域自适应。JMD-ASAG 不仅学习领域特定特征，还通过从任务特定数据自身学习通用特征来克服对大型语料的依赖。在一个大规模工业数据集和一个基准数据集上，我们表明我们的模型显著优于现有要么学习领域特定模型、要么从大型语料自适应通用相似性评分模型的技术。此外，在基准数据集上，我们报告了相对于所有现有非神经与神经模型的 state-of-the-art 结果。
引用
@article{arxiv.1902.09183,
title = {Joint Multi-Domain Learning for Automatic Short Answer Grading},
author = {Swarnadeep Saha and Tejas I. Dhamecha and Smit Marvaniya and Peter Foltz and Renuka Sindhgatta and Bikram Sengupta},
journal= {arXiv preprint arXiv:1902.09183},
year = {2019}
}
备注
11 pages