近年来,人们在开放式问答评估任务上进行了大量研究,尤其在人工神经网络加持下,评估效果达到了一个新的高度。开放式问题没有标准答案,回答者根据对问题的理解组织答案,常用于政治历史等主观论述题中。在开放式问答评估中,常依赖人工主观判断来评分,存在主观性强、效率低、无法大规模同时进行等限制,因此对开放式问答的自动评估显得尤为迫切。在开放式问答自动评估过程中存在两个难点,首先是开放式问答间存在对应关系,自动评估需要考虑回答对应问题的哪部分,即问答交互问题;其次,开放式回答为了对问题进行完整阐述,通常比较长,即长回答表示问题。而现有开放式问答评估方法通常对回答本身建模而忽视问题的影响,且较少关注长回答的内在结构关系,较难解决长回答表示问题。为解决上述问题,本文使用真实场景的问答数据集研究开放式问答评估。首先,为了研究开放式问答中每句话的作用,以挖掘问答交互关系以及潜在回答结构信息,本文对开放式回答进行分解,并建立起一套开放式回答话语要素标签体系,请专业人员标注,得到开放式回答话语要素数据集。之后在该数据集上研究话语要素识别方法,提出结合位置信息与标签信息的话语要素识别模型,实验结果显示,该方法相比基线模型在Micro-F1值上有1.87%的提升,为研究开放式问答自动评估打下坚实基础。在此基础上,本文研究基于异构图神经网络的开放式问答评估方法。首先将开放式问答切分成句,通过话语要素识别模型提取句子中的话语要素标签,之后基于话语要素标签构建异构图神经网络,用于建模问答间的交互以及长回答内部结构信息,从而对开放式问答更好地表征。之后使用聚合函数将问答异构图网络聚合成单一向量用于表示问答对,并使用该向量进行“差”、“中”、“好”三分类预测以实现开放式问答自动评估。此外,为解决样本不均衡问题以及分类中评分存在差异问题,本文提出使用CBSA Loss在训练时动态改变样例loss权重,起到对少量样本以及难分样本的关注。本文所提出的HQAG模型相比基线最优模型在QWK指标上提升了3.26%,通过对比消融实验,也验证了基于话语要素构建异构图神经网络方法的有效性。