本发明专利技术公开了基于深度学习的编程作业批改方法、装置、系统及介质，方法包括：获取待批改的编程作业；将所述待批改的编程作业输入至预设的作业批改模型中进行正确率推算；将推算得到的正确率与预设阈值进行对比后输出所述待批改的编程作业的批改结果。本发明专利技术实施例通过将获取到的编程作业输入至经过深度学习训练的作业批改模型中进行自动批改，实现了基于深度学习的端到端的编程作业自动批改，有效提高了编程教学过程中作业批改效率。高了编程教学过程中作业批改效率。高了编程教学过程中作业批改效率。
【技术实现步骤摘要】
基于深度学习的编程作业批改方法、装置、系统及介质
[0001]本专利技术涉及图形化编程
，尤其涉及基于深度学习的编程作业批改方法、装置、系统及介质。
技术介绍
[0002]当前的在线少儿编程课程中，学生的课后编程作业批改主要还依赖于人工批改，主要是由于图形化编程作业是由代表各种变量、操作的图形化积木代码块组合而成，学生操作的自由度较高，一个作业通常会对应多种实现方式，导致自动批改的覆盖率和准确率很低，使得编程作业批改效率低。
[0003]因此，现有技术还有待于改进和发展。
技术实现思路
[0004]鉴于上述现有技术的不足，本专利技术的目的在于提供基于深度学习的编程作业批改方法、装置、系统及介质，旨在解决现有技术中编程作业批改效率低下的问题。
[0005]本专利技术的技术方案如下：
[0006]一种基于深度学习的编程作业批改方法，其包括如下步骤：
[0007]获取待批改的编程作业；
[0008]将所述待批改的编程作业输入至预设的作业批改模型中进行正确率推算；
[0009]将推算得到的正确率与预设阈值进行对比后输出所述待批改的编程作业的批改结果。
[0010]所述的基于深度学习的编程作业批改方法中，所述将所述待批改的编程作业输入至预设的作业批改模型中进行正确率推算之前，还包括：
[0011]对所述待批改的编程作业按预设规则进行序列化处理。
[0012]所述的基于深度学习的编程作业批改方法中，所述对所述待批改的编程作业按预设规则进行序列化处理之前，还包括：
[0013]构建深度学习网络模型；
[0014]根据预先采集的批改训练样本对所述深度学习网络模型进行训练，使所述深度学习网络模型达到预设收敛条件后生成所述作业批改模型。
[0015]所述的基于深度学习的编程作业批改方法中，所述根据预先采集的批改训练样本对所述深度学习网络模型进行训练，使所述深度学习网络模型达到预设收敛条件后生成所述作业批改模型之前，还包括：
[0016]采集历史批改数据并对所述历史批改数据中的正确编程作业进行标注；
[0017]将标注后的正确编程作业按预设规则进行序列化处理后形成所述批改训练样本。
[0018]所述的基于深度学习的编程作业批改方法中，所述按预设规则进行序列化处理包括：
[0019]获取待处理编程作业中的积木代码块组合；
[0020]按预设顺序解析所述积木代码块组合，得到每个积木代码块对应的积木类型与积木数据；
[0021]根据所述积木类型和积木数据按预设规则进行序列化后生成相应的序列化数组。
[0022]所述的基于深度学习的编程作业批改方法中，所述按预设顺序解析所述积木代码块组合，得到每个积木代码块对应的积木类型与积木数据，包括：
[0023]获取所述积木代码块组合的拼接时序；
[0024]按所述拼接时序依次对每个积木代码块进行解析，得到按拼接时序排列的积木类型与积木数据。
[0025]所述的基于深度学习的编程作业批改方法中，所述根据所述积木类型和积木数据按预设规则进行序列化后生成相应的序列化数组，包括：
[0026]将所述积木类型和积木数据按预设的编码映射库分别转换为对应的编码数据，所述编码映射库用于存储所述积木类型和积木数据与所述编码数据之间的映射关系；
[0027]将所述编码数据按预设数据结构进行封装后得到与每个积木代码块对应的一维数组；
[0028]将所述一维数组按拼接时序叠加，生成与所述积木代码块组合对应的二维序列化数组。
[0029]本专利技术又一实施例还提供了一种基于深度学习的编程作业批改装置，所述装置包括：
[0030]获取模块，用于获取待批改的编程作业；
[0031]输入模块，用于将所述待批改的编程作业输入至预设的作业批改模型中进行正确率推算；
[0032]批改输出模块，用于将推算得到的正确率与预设阈值进行对比后输出所述待批改的编程作业的批改结果。
[0033]本专利技术又一实施例还提供了一种基于深度学习的编程作业批改系统，所述系统包括至少一个处理器；以及，
[0034]与所述至少一个处理器通信连接的存储器；其中，
[0035]所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述基于深度学习的编程作业批改方法。
[0036]本专利技术的另一实施例还提供了一种非易失性计算机可读存储介质，所述非易失性计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个处理器执行时，可使得所述一个或多个处理器执行上述的基于深度学习的编程作业批改方法。
[0037]有益效果：本专利技术公开了基于深度学习的编程作业批改方法、装置、系统及介质，相比于现有技术，本专利技术实施例通过将获取到的编程作业输入至经过深度学习训练的作业批改模型中进行自动批改，实现了基于深度学习的端到端的编程作业自动批改，有效提高了编程教学过程中作业批改效率。
附图说明
[0038]下面将结合附图及实施例对本专利技术作进一步说明，附图中：
[0039]图1为本专利技术提供的基于深度学习的编程作业批改方法较佳实施例的流程图；
[0040]图2为本专利技术提供的基于深度学习的编程作业批改方法应用实施例中待处理编程作业中积木代码块组合的示意图；
[0041]图3为本专利技术提供的基于深度学习的编程作业批改装置较佳实施例的功能模块示意图；
[0042]图4为本专利技术提供的基于深度学习的编程作业批改系统较佳实施例的硬件结构示意图。
具体实施方式
[0043]为使本专利技术的目的、技术方案及效果更加清楚、明确，以下对本专利技术进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。以下结合附图对本专利技术实施例进行介绍。
[0044]请参阅图1，图1为本专利技术提供的基于深度学习的编程作业批改方法较佳实施例的流程图。如图1所示，其包括如下步骤：
[0045]S100、获取待批改的编程作业；
[0046]S200、将所述待批改的编程作业输入至预设的作业批改模型中进行正确率推算；
[0047]S300、将推算得到的正确率与预设阈值进行对比后输出所述待批改的编程作业的批改结果。
[0048]本实施例中，当用户在例如在线编程教育平台上进行编程学习时，根据作业要求在相应的代码编辑区域输入待批改的编程作业，此时在线编程教育平台可自动获取用户所提交的待批改的编程作业，具体所述待批改的编程作业可以是历史提交待批改的编程作业，也可以是实时提交待批改的编程作业，本实施例对此不作限定，特别地，本实施例中优选以图形化编程形式的编程作业进行说明，即编程作业中包含的是多个已封装的具有相应功能的积木代码块，当然，在其它实施例中所述编程作业也可以是其它例如文本等形式，本实施例对此不作限定。
[0049]本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的编程作业批改方法，其特征在于，包括如下步骤：获取待批改的编程作业；将所述待批改的编程作业输入至预设的作业批改模型中进行正确率推算；将推算得到的正确率与预设阈值进行对比后，输出所述待批改的编程作业的批改结果。2.根据权利要求1所述的基于深度学习的编程作业批改方法，其特征在于，所述将所述待批改的编程作业输入至预设的作业批改模型中进行正确率推算之前，还包括：对所述待批改的编程作业按预设规则进行序列化处理。3.根据权利要求2所述的基于深度学习的编程作业批改方法，其特征在于，所述对所述待批改的编程作业按预设规则进行序列化处理之前，还包括：构建深度学习网络模型；根据预先采集的批改训练样本对所述深度学习网络模型进行训练，使所述深度学习网络模型达到预设收敛条件后生成所述作业批改模型。4.根据权利要求3所述的基于深度学习的编程作业批改方法，其特征在于，所述根据预先采集的批改训练样本对所述深度学习网络模型进行训练，使所述深度学习网络模型达到预设收敛条件后生成所述作业批改模型之前，还包括：采集历史批改数据并对所述历史批改数据中的正确编程作业进行标注；将标注后的正确编程作业按预设规则进行序列化处理后形成所述批改训练样本。5.根据权利要求2所述的基于深度学习的编程作业批改方法，其特征在于，所述按预设规则进行序列化处理包括：获取待处理编程作业中的积木代码块组合；按预设顺序解析所述积木代码块组合，得到每个积木代码块对应的积木类型与积木数据；根据所述积木类型和积木数据按预设规则进行序列化后生成相应的序列化数组。6.根据权利要求5所述的基于深度学习的编程作业批改方法，其特征在于，所述按预设顺序解析所述积木代码块组合，得到每个积木代码块对应的积木类型与积...
【专利技术属性】
技术研发人员：孙悦，李天驰，乔伟，
申请(专利权)人：深圳点猫科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。