随着无纸化考试的推广,许多国家级专业考试改为网络考试,专业主观题的自动评阅能够辅助优化评阅过程,提高评阅效率,避免因主观因素导致的评阅标准偏差,对于维护国家考试的权威性和公正性具有重要意义。专业文本智能评阅问题面临诸多挑战。从文本理解角度,现有方法主要采用基于大规模语料库的词向量和深度网络模型,解决语义歧义问题。但是专业文本不仅包含大量专业概念,还包含数字公式等不同形式,这些词汇和公式的意义只有在具体上下文环境中才有明确含义,难以在统一的语义空间预训练数字和运算符的语义向量,使得兼顾语义和逻辑推理的文本理解更加困难。从模型角度,为了保证评阅过程的公平性,需要在给出专业文本评阅结果的同时提供打分依据,对评阅模型的可解释性有高要求,这是深度学习模型的共同挑战之一。从数据角度,应用场景的特殊性使得可供模型学习的数据只有专家预评阅阶段的少量标注样本,训练数据的缺乏对于以数据为支撑的深度学习过程增加了困难。针对以上挑战,本文研究有参考答案的专业文本可解释评阅问题,主要贡献如下:(1)针对论证类专业文本,提出了基于互注意力机制的可解释评阅模型。采用双向循环神经网络和最大池化策略,建立基于词序列和句子序列的句向量和段落向量,进行文本语义抽取;通过互注意力机制,推断考生答案对参考文本知识点的匹配程度,并提取句子层面的映射关系作为证据;联合知识点匹配情况和整体得分作为损失函数,不仅通过联合学习增加两个密切相关任务的高层交互,而且在使用中将知识点的命中情况作为打分依据,实现可解释文本评阅。(2)针对计算分析类专业文本,提出了基于专业概念-计算结果匹配机制的可解释评阅模型。通过序列标注模型,建立专业文本与知识点的专业概念及计算结果的映射关系;使用卷积神经网络,解决专业概念和计算结果的统一语义建模问题,结合专业概念及计算结果的语义向量,推断考生答案和知识点的匹配关系;最后结合知识点匹配情况和整体得分进行交叉检验,通过联合学习提高准确率,在知识点层面实现计算分析类专业文本的可解释评阅。(3)在真实数据集上验证模型效果。使用国家级专业考试的多个数据集,使用多个评价指标对模型性能进行验证和分析,分析了不同训练样本量下的模型鲁棒性;在模型结构方面,验证了注意力机制、池化策略和网络结构对模型性能的影响;为了验证模型在不同题目上的适用性,使用不同迁移学习策略进行验证,分析了模型在不同情况下的适配性。