买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉网才科技(广州)集团股份有限公司申请的专利一种基于大模型的主观题试卷阅卷方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN118861522B 。

龙图腾网通过国家知识产权局官网在2025-06-03发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202410908286.7，技术领域涉及：G06F18/10；该发明授权一种基于大模型的主观题试卷阅卷方法是由马赫;倪小明;郭南明;杜育林;陈晓芸;刘佳荣;李剑;高胜;黄梓健设计研发完成，并于2024-07-08向国家知识产权局提交的专利申请。

本一种基于大模型的主观题试卷阅卷方法在说明书摘要公布了：本发明提供一种基于大模型的主观题试卷阅卷方法，属于教师考试测评领域。首先，从自有的考试数据库采集并预处理主观题答案数据，构建高质量数据集；其次，设计细致的评分标准，对答案内容准确性、逻辑性和语言表达等维度进行人工标注，生成加权平均分数标签；然后，选择基于Transformer架构的阅卷评分大模型，利用其强大语义表示能力，构建包括多头注意力等模块的阅卷模型；最后，设计双向语义匹配计算方法，度量答案与参考答案的相似度作为评分依据。经过以上步骤，该模型能实现高效、准确、客观的主观题自动阅卷，提升教师评价智能化水平。

本发明授权一种基于大模型的主观题试卷阅卷方法在权利要求书中公布了：1.一种基于大模型的主观题试卷阅卷方法，其特征在于，包括以下过程：步骤1，数据集的采集与制作：从自有的考试数据库采集数据，采集真实可靠、多样化的主观题答案数据，涵盖简答题、论述题和案例分析题三种类型，将采集到的原始数据经过数据清洗、格式统一和匿名化处理，以及专家评分与多标签融合，最终获得主观题答案数据集；步骤2，基于Transformer架构的阅卷评分大模型的主观题试卷阅卷模型的建立：选择基于Transformer架构的阅卷评分大模型作为基础模型，设计了输入层、词嵌入层、位置编码层、多头注意力机制层、前馈网络层、归一化层和预测输出层，并采用了双向语义匹配计算方法，具体步骤如下：S1，大模型选择：基于Transformer架构的阅卷评分大模型；S2，输入层：基于Transformer架构的阅卷评分大模型允许最大输入序列的长度为512，将得到的数据集中固定题目所对应的答案文本数据按顺序切分为个长度为512的token子序列，对于每个子序列在开头添加[CLS]标记，以标识序列的开始，在结尾添加[SEP]标记，以标识序列的结束，从而得到输入表示： ；其中，为输入的token子序列，为拼接操作；S3，词嵌入层：基于Transformer架构的阅卷评分大模型使用WordPiece嵌入对输入的token子序列进行编码；S4，位置编码层：基于Transformer架构的阅卷评分大模型在词嵌入后添加了位置编码，对每个token子序列编码其在序列中的绝对位置，使用正弦余弦函数编码位置： ；其中，绝对位置嵌入矩阵，为位置下标，为编码维度，为序列维度；将得到的位置编码矩阵嵌入到词嵌入矩阵中，得到最终的嵌入表示Z： ；S5，多头注意力机制层：用于捕捉序列中词之间的长程依赖关系；S6，前馈网络层：前馈网络包括两个线性层和一个ReLU激活函数： ；其中，为权重矩阵，为偏置向量；S7，归一化层：将前馈网络层得到的输出进行层归一化；S8，编码器堆叠：将归一化后的输出与多头注意力输入进行残差连接，并通过堆叠M层编码器块，单个编码器块包含多头注意力、前馈网络和归一化层，基于Transformer架构的阅卷评分大模型从底层捕获词汇和语法特征，到高层提取复杂的语义和上下文特征，经过M层编码器后，基于Transformer架构的阅卷评分大模型得到最终的上下文表示；S9，预测输出层：对于，添加softmax层输出最终的预测输出： ；其中,和分别为softmax层的权重矩阵和偏置向量，最终输出即为基于Transformer架构的阅卷评分大模型对于每个答案的预测总得分，其中包含准确性得分，逻辑性得分和语言表达得分三个维度；S10，语义匹配计算：采用基于Transformer架构的阅卷评分大模型的输出作为语义表示，设计双向匹配的方法，首先将答案与参考答案串联为一个序列；将该序列输入至基于Transformer架构的阅卷评分大模型，提取起[CLS]标记的输出向量，记为，作为整个序列的语义表示，同时，对于答案和参考答案的每个token，提取其与的注意力权重，作为该token对序列语义的重要程度： ； ；其中，和分别为答案和参考答案的第个token对序列语义的重要程度，和分别为答案和参考答案中的第个token，则该token对最终语义表示的重要性为： ； ；将答案和参考答案中所有token的重要性求和，分别得到： ； ；其中，和为答案和参考答案的语义表示向量；计算其的余弦相似度作为语义相似度分数： ；其中，为余弦相似度函数，该分数越接近1，表明答案与参考答案的语义越相似；步骤3，基于Transformer架构的阅卷评分大模型的模型训练：利用构建的数据集，对基于Transformer架构的阅卷评分大模型进行微调训练，采用交叉熵损失函数，结合Adam优化算法和指数衰减学习率调度；步骤4，系统部署与优化：将训练好的基于Transformer架构的阅卷评分大模型部署到云端服务器，提供在线评分接口，同时，针对评分结果进行统计分析并优化模型。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人网才科技(广州)集团股份有限公司，其通讯地址为：510000 广东省广州市番禺区东环街金山谷创意十街5号308~316、401~416房；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。