摘要：教育是国家的根本，自人类社会形成教育开始，专家学者们就不断地研究新技术，探索技术可能带给教育领域的变革。近年来，人工智能技术的应用成为了各行各业的研究热点。机器学习是人工智能的核心，是使计算机具有智能的根本途径。深度学习是机器学习领域下的研究分支，它可以使机器在原有的基础上更加智能。在当今这个信息化时代，随着科技的快速进步与人工智能的迅猛发展，深度学习技术已经应用到了越来越多的行业和领域，如医学、工业、农业等，当然也包括教育。深度学习在自然语言处理方面有着十分出色的应用。本研究基于向量级别的文本匹配技术，致力于构建双向的长短期记忆循环神经网络模型，使计算机可以对数学习题进行自动分类。本研究收集了870条数学习题作为基础语料，将其中的特征词语组成了一个用户字典，利用Python的Jieba库对语料进行了分词处理、使用Gensim库将语料转换成词向量。习题经过分词、构建词向量模型等预处理，进入双向长短期记忆循环神经网络中迭代训练，从而得到有判断能力的神经网络系统。 

关键词：深度学习；自然语言处理；词向量；神经网络；题型分类

目录

摘要

Abstract

引    言-1

(一)-研究背景及意义-1

(二)-国内外研究现状-1

(三)-本文的组织架构-2

一、相关理论与技术-3

(一)-自然语言处理-3

1.自然语言处理-3

2. 词向量-4

(二)-循环神经网络-4

1. 循环神经网络-4

2. 双向的长短期记忆循环神经网络-5

(三)-程序设计中的第三方库-5

1.Jieba-5

2.Gensim-5

3.PyTorch-6

二、数学习题自动识别系统的研究与设计-6

(一)-研究分析-6

1.数学习题类型的分析-6

2.研究的可行性分析-7

(二)-系统总体设计-7

(三)-深度学习的框架选择-8

三、数学习题语料的收集与预处理-8

(一)-语料的收集与整理-8

1.语料的收集-8

2.语料的分类-9

(二)-文本清理-9

(三)-构建用户字典-10

(四)-语料分词-10

四、数学习题自动识别系统的构建与代码实现-10

(一)-程序运行-10

1.测试环境Python及第三方库的版本-10

2. 构建词向量模块的实现-11

3. 基于BiLSTM的习题类型的自动分类模块的实现-12

(二)-程序训练结果与结果说明-16

五、总结与展望-17

(一)-本文的主要研究成果-17

(二)-本文的不足与展望-17

1.本文的不足之处-17

2.本文的展望与未来可能有的发展-18

结    论-18

参考文献-18