CN115116474B 口语评分模型训练方法、评分方法、装置及电子设备 （腾讯科技（深圳）有限公司）

频输入通过元学习方式训练得到的预训练评分中，通过第一损失值训练预训练评分模型的同过较少的训练样本也可以得到评分能力较高的2获取训练样本，所述训练样本包括样本口语试题的样本回将所述样本回答音频输入预训练评分模型，得到对应所述样本回答音频的预测评分，所述预训练评分模型通过元学习方式训练得根据所述样本评分和所述预测评分，确定第一损失值，所述第根据每个所述目标回答音频各自对应的样本评分之间的大小关系，确定第二损失值，所述第二损失值表征所述预训练评分模型自身的评分规则与所述目标评分规则之间的损根据所述第一损失值和所述第二损失值，对所述预训练评分模根据每个所述目标回答音频各自对应的样本评分之间的大小关系3.根据权利要求2所述的方法，其特征在于，所述目标回答音频包括两个目标回答音将两个所述目标回答音频中样本评分较高的目标回答音频的赋值确定将两个所述目标回答音频中样本评分较低的目标回答音将所述拼接向量输入所述全连接层，得到所述全连接层输出3对所述处理后的深度特征和所述规则向量矩阵进行注意力计算，得到对所述样本回答音频进行至少一级准确度评估，得到发音准确度，将所述发音准确度、所述发音流利度以及所述发音韵律度中的至少一9.根据权利要求8所述的方法，其特征在于，所述根据所述回答文本以及所述参考答提取所述回答文本中的第一关键词以及所述参考答案中的第二关键词；将所述语义特征、所述关键词特征、所述语用特征以及所述4将所述待评分回答音频输入口语评分模型，得到所述口语评分模型预样本获取模块，用于获取训练样本，所述训练样本包括样本口语试第一评分模块，用于将所述样本回答音频输入预训练评分模第三确定模块，用于根据每个所述目标回答音频各自对应的样本评分之间的大小关训练模块，用于根据所述第一损失值和所述第二损音频获取模块，用于获取测试口语试题对应的待评分回答音频第二评分模块，用于将所述待评分回答音频输入口语评分模型一个或多个应用程序，其中所述一个或多个应用程序被存储56度以及所述发音韵律度中的至少一种确定为所7个程序被存储在存储器中并被配置为由处理器执行以实8[0036]图14示出了用于执行根据本申请实施例的口语评分模型训练方法的电子设备的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，[0040]人工智能(ArtificialIntelligence，AI)是利用数字计算机或者数字计算机控[0043]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9[0048]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若该样本回答音频未经过人工标注，则进一步交由评分人员对该样本回答音频进行评分，括表征样本回答音频的发音特性的声学特征以及表征样本回答音频所对应的回答文本的[0067]可以根据样本回答音频被标注的样本评分以及预训练评分模型预测的样本回答确的反映目标评分规则与所述预训练评分模型自身的评[0074]预训练评分模型可以是根据预训练评分模型自身的评分规则对样本回答音频进[0079]第二损失值可以较准确的反映目标评分规则与所述预训练评分模型自身的评分[0100]不同题型对应的评分标准不同，但两个样本回答音频之[0105]样本回答音频的特征信息可以包括表征样本回答音频的发音特性的声学特征以所述规则向量矩阵包括不同评分规则对应的规则向量。预训练评分模型对应的评分模型ff为深度特征f1的转置。max(M)(六)得根据处理后的深度特征和加权规则向量得到的拼接向量更加准确的反映了预训练评分[0145]电子设备对回答音频进行语音识别，从而基于语音识别结果的发音置信度[0150]需要说明的是，本申请实施例仅以声学特征包含上述特以包括主题特征、词频_反文档频率(TermFrequencyInverseDocumentFrequency，TF_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)[0160]电子设备还可以对所述回答文本进行文本流利度特征提取，得到文本流利度特[0161]需要说明的是，本申请实施例仅以文本特征包含上述特络中的两个神经网络可以是与预训练评分模型对预训练评分模型中的规则向量矩阵以及深度网络的参数[0174]基于训练样本对预训练评分模型进行训练的过程可以被称为微调(finetune)，[0175]请参阅图10，图10示出了本申请一个实施例提出的一种[0177]测试口语试题可以是指用于进行口语测试的口语试题。评分模型训练方法训练得到。[0183]其中，待评分回答音频的特征信息的确定方法参照上文样本回答音频的确定方[0185]根据处理后的待评分深度特征和口语评分模型的规则向[0186]将该新的加权规则向量和处理后的待评分深度特征进行拼接，得到新的拼接向[0195]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[0204]在一种可能的实施方式中，电子设备可以采用MAML(Model_AgnosticMeta_[0209]基于上述测试任务数据，分别基于SVR(支持向量回归模型，SupportVector按照上述任一实施例所述的口语评分模型训练方法训练得到的口语评分模型，MTLpre_分差≤0.560.587.350.863.287.551.564.189.652.366.590.754.570.893.458.2分差≤0.555.185.349.858.487.651.660.288.353.163.689.556.867.392.959.2049.851.153.561.751.652.755.464.253.156.460.673.856.861.563.778.259.263.165.279.0评分基于对应所述目标题型的目标评分规则得到；述第一损失值表征所述样本评分与所述预测评分[0240]第三确定模块750，用于根据每个所述目标回答音频各自对应的样本评分之间的述全连接层输出的所述样本回答音频的预测[0245]可选地，第一评分模块730，还用于对所述深度特征的各个维度进行线性变换操[0248]可选地，第一评分模块730，还用于对所述样本回答音频进行至少一级准确度评音流利度以及所述发音韵律度中的至少一种确定述关键词特征、所述语用特征以及所述文本流利度特征中的至少一种确定为所述文本特施例所述的口语评分模型训练方法训练得到；[0256]图14示出了用于执行根据本申请实施例的口语评分模型训练方法的电子设备的[0257]如图14所示，计算机系统1200包括中央处理单元(CentralProcessingUnit，储部分1208加载到随机访问存储器(RandomAccessMemory，RAM)1203中的程序而执行各器等的输出部分1207；包括硬盘等的存储部分1208；以及包括诸如LAN(LocalArea因特网的网络执行通信处理。驱动器1210也根据需要连接至I/O接口1205。可拆卸介质从其上读出的计算机程序根据需要被安装入存储部分1208。或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以块或者单元的特征和功能可以进一步划分为由多个模块或者单途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知