项目实训 --主观题阅卷评分网站（五）

项目进度：

对考生答案矩阵和参考答案矩阵采用了互注意力机制，归一化处理，得到了考生答案的参考答案表示，，提升了语义抽取的能力。

完成过程：

使用BERT预训练模型对考生答案和参考答案进行向量化后，进一步筛选向量，选择具有代表性的向量进行训练。
归一化方法：

def maxminnorm(array):
    # print(array.shape)
    if array.shape[1] == 1:
        array[:, 0] = 0.5
        # print(array)
        return array
    maxcols = array.max(axis=0)
    mincols = array.min(axis=0)
    data_shape = array.shape
    data_rows = data_shape[0]
    data_cols = data_shape[1]
    t = np.empty((data_rows, data_cols))
    for i in range(data_cols):
        t[:, i] = ((array[:, i] - mincols[i]) + 0.01) / ((maxcols[i] - mincols[i]) + 0.01*5)
    # print(t)
    return t

考生答案的参考答案表示过程：

def createVk(reference, answer, bc):
res = re.split("。|，", reference)
    judge0 = res[0]
    res = res[1:]

    # answer = '不能。根据公司法律制度的规定，实际出资人要经过公司其他股东半数以上同意才能记载于股东名册，转变为公司的股东'
    # answer = input("请输入考生答案：")
    # ans = answer.split("。")
    # print(ans)
    print(answer)
    ans = re.split("。|，", answer)
    judge = ans[0]

    # if len(ans) > 2:
    #     ans = ans[1:]

    # print(judge)
    # ans = ans[1:]


    # print(res)
    vectorA_list = []
    for item in res:
        t = bc.encode([item])
        vectorA_list.append(t[0])

    vectorX_list = []
    for item in ans:
        t = bc.encode([item])
        vectorX_list.append(t[0])

    A = np.array(vectorA_list)
    X = np.array(vectorX_list)

    mat_M = np.dot(A, X.T)


    α = maxminnorm(mat_M)

    β = maxminnorm(mat_M.T).T



    # 期望
    total = β[0].copy()  # 需要使用.copy()，否则会改变β
    for item in β:
        total += item
        # print(item)
    total -= β[0].copy()
    β_avg = total / mat_M.shape[0]

    # print('β_avg:')
    # print(β_avg)

    # 注意力向量
    αA_X = np.dot(α, β_avg.T)
    # print('αA_X:')
    # print(αA_X)

    Ax = A.copy()

    for i in range(0, A.shape[0]):
        Ax[i] = αA_X[i] * Ax[i].copy()

    # print('Ax：')
    # print(Ax)

    vk = Ax.flatten()


    return vk