CN114333787B 口语考试的评分方法、装置、设备、存储介质及程序产品 （腾讯科技（深圳）有限公司）

模型，预训练评分模型通过元学习方式训练得到；通过目标评分模型对目标回答音频进行评2获取训练样本，所述训练样本中包含目标样本口语试题的样本基于所述训练样本对预训练评分模型进行训练，得到所述目标题型提取目标回答音频的目标文本特征以及目标声学特征，所述目标回答音将所述目标特征输入所述深度神经网络，得到第一深度特征向量和第二深度特征向对所述第一深度特征向量和所述目标规则向量矩阵进行注意将所述拼接向量输入所述深度神经网络的全连接层，得到对所述目标回答音频进行语音识别，得到目标回答文本；基于所述对所述目标回答音频进行至少一级准确度评估，得到目标发音准确将所述目标发音准确度、所述目标发音流利度以及所述目标发音韵律3提取所述目标回答文本中的第一关键词以及所述目标参考答案中的第二关对所述目标回答文本进行语用特征提取，得到目标语用特征，所将所述目标语义特征、所述目标关键词特征、所述目标语用特征提取所述样本回答音频的样本文本特征以及样本基于所述样本文本特征以及所述样本声学特征，通过所述预训基于所述预测分数和所述样本分数之间的评分损失训练所述预训获取元学习任务集合，所述元学习任务集合由不同元学习任务对于各个所述候选元学习任务，基于所述候选元学习任务中的所述训练基于采用所述任务模型参数的评分模型，确定所述候选元学习基于各个所述候选元学习任务的所述验证损失对所述全局模型在所述验证损失收敛的情况下，将采用优化后的所述全局模型第一获取模块，用于获取训练样本，所述训练样本中包第一训练模块，用于基于所述训练样本对预训练评分模4评分模块，用于提取目标回答音频的目标文本特征以及目标声学中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现如权利要求156目标题型的口语考试进行评分时，基于目标题型的训练样本对预训练评分模型进一步训[0030]人工智能(ArtificialIntelligence，AI)是利用数字计算机或者数字计算机控7[0032]语音技术(SpeechTechnology)的关键技术有自动语音识别技术(Automatic利用少量训练样本对预训练评分模型进行快速适应性训练的方案。其中，元学习(Meta-[0034]图1示出了本申请一个示例性实施例提供的实施环境的示意图。该实施环境中包[0036]在一种可能的实施方式中，当需要训练对特定题型进行服务器120向评分终端110提供待标注的训练样本，该训练样本包括样本口语试题(属于特[0038]本申请实施例中，服务器120中设置有采用元学习方式训练得到的预训练评分模8收到对音频播放控件111的点击操作时播放样本回答音频。评分人员基于样本回答音频与样本参考答案，在评分框112中输入样本分数后，评分终端110将样本分数反馈至服务器服务器120基于口语试题对应的回答音频以及参考答案，利用目标评分模型对回答音频进[0044]请参考图2，其示出了本申请一个示例性实施例提供的口语考试的评分方法的流标样本口语试题对应的样本参考答案以及样本回答音频(对目标样本口语试题进行回答时得到。元学习的目的是让模型具有良好的初始化参数(即模型在预训练过程中学习到了先9调(finetune)，且计算机设备以训练样本中的样本分数为监督对预训练评分模型的模型[0059]请参考图3，其示出了本申请另一个示例性实施例提供的口语考试的评分方法的[0063]本申请实施例中，计算机设备从声学以及文本两个维度对回答音频进行特征提用自动语音识别(AutomaticSpeechRecognition，ASR)技术将样本回答音频转换为样本(独立于评分模型)，也可以由评分模型中的特征提取模块(比如用于进行特征提取的神经过程中调整的模型参数包括深度神经网络的网络参数以及规则向量矩目标语义特征。其中，该目标语义特征可以包括主题特征、词频-反文档频率(TermFrequencyInverseDocumentFrequency，TF-IDF)特征等等，本申请实施例对此不作限[0082]可选的，该目标关键词特征包括关键词准确率以及关键词召回率中的至少一其中，关键词准确率基于召回关键词的数量(召回关键词即第一关键词和第二关键词中匹配的关键词)以及第一关键词的数量确定得到，关键词召回率基于召回关键词的数量与第答音频中句子中的单词重读正确性进行评估(即确定句子中需要重读的单词是否被重读)，对目标回答音频中句子的句子边界音调进行评估(即确定是否通过音调体现出句子边界)，矩阵42由不同评分标准对应的目标规则向[0104]对于提取到的目标文本特征和目标声学特征，计算机设以及第三隐藏层4113，计算机设备将目标特征输入深度神经网络41后，得到第二隐藏层[0114]示意性的，如图4所示，f的尺寸为1×d，M由k个目标规则向量421构成(M＝[m1,[0115]进一步的，计算机设备对规则权重和目标规则向量(规则权重和目标规则向量一[0129]在一种可能的实施方式中，每个元学习任务中又被进一步划分为训练任务后的全局模型参数的评分模型确定为预训练评[0142]在一种可能的实施方式中，计算机设备可以采用MAML(Model-AgnosticMeta-标规则向量矩阵由不同评分标准对应的目标规则向量[0191]提取所述目标回答文本中的第一关键词以及所述目标参考答案[0210]请参考图11，其示出了本申请一个示例性实施例提供的计算机设备的结构示意[0211]在一些实施例中，所述基本输入/输出系统1106可以包括有用于显示信息的显示和输入设备1109都通过连接到系统总线1105的输入输出控制器1110连接到中央处理单元1101。所述基本输入/输出系统1106还可以包括输入输出控制器1110以用于接收和处理来[0212]所述大容量存储设备1107通过连接到系统总线1105的大容量存储控制器(未示出)连接到中央处理单元1101。所述大容量存储设备1107及其相关联的计算机可读介质为统存储器1104和大容量存储设备1107可以[0219]本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可