近年来,在智能教育相关政策的强力驱动下,主观题自动评分算法的研究在“人工智能+教育”的背景下具有实用价值和重要意义。算法能够帮助降低因打分老师主观因素造成的评分差距,并以此提高评分公平性,很好地为教学工作者减负,同时能够简化考试过程,提高在线教育平台的作业效率。主观题在思政课程中尤为常见,因此本文针对思政类主观题的自动评分算法展开了深入研究。过去的工作大多只是简单地将学生答案与标准答案的两个长文本直接进行对比,但是长文本之间相似度的计算往往因序列过长而取得较低的准确率,而实际上思政课程的主观题通常是依据几个得分点来进行评分的,因此本文提出语义完整性分析任务,把学生答案长文本切分为几个语义完整短句,把长文本相似度问题转化为多个短文本相似度问题,最终能够提高评分的准确率。为使类别更加平衡,本文通过{B,I,E}结合词性的方式设定字符级别的标注集,并以BERT预训练模型微调处理词性标注的方式实现了语义完整性分析模型,相比于经典的序列标注模型,该模型具有较高的F1值和准确率。接下来工作就是计算短文本之间的相似度,现有的方法大多在提取文本特征时只考虑文本内部信息,忽略了两个文本之间的交互信息,或者仅进行单层次交互。针对以上问题,本文提出一种基于Transformer改进的短文本相似度计算模型。该模型以DSSM模型为基本架构,利用BERT模型实现文本表示,以解决一词多义的问题,使用Transformer编码组件对文本进行特征提取,获取文本内部信息,并且借助于编码组件使得两个文本能够进行多层次信息交互,最后由两个文本的拼接向量推理计算出它们之间的语义相似度。实验表明,相比经典深度短文本相似度计算模型,本文提出的改进模型表现出了更好的效果。语义完整性分析任务和短文本相似度计算任务进行整合后,即可应用于主观题的评分,最终得到一个得分矩阵。对于该得分矩阵,本文分别采用贪心算法和全局最优算法来选取得分,全局最优算法拥有更好的表现。整个主观题自动评分算法取得了良好的评分效果,本文最后总结算法并指出不足及改进方向。