一种基于机器学习的程序题自动评分方法
专利汇可以提供一种基于机器学习的程序题自动评分方法专利检索，专利查询，专利分析的服务。并且本 发明 公开了一种基于 机器学习 的程序题自动评分方法，包括步骤：1)获取学生程序课程作业数据，包括学生作业、作业分数信息；2)对获取到的作业进行数据预处理；3)对程序进行动态测试；4)提取程序特性；5)应用机器学习 算法 对程序进行静态分析；6)综合动态运行和静态分析结果，返回程序最终评分。本发明将动态测试和静态分析相结合，即使用了程序的动态测试数据又对程序本身进行分析；本发明静态分析采用了机器学习算法，无需教师提供正确参考程序进行相似度比对，减少了教学负担，避免了模板程序不唯一给批改结果带来的影响；本发明对所有的程序进行静态分析，减少动态测试全部通过，但不按题目要求编写程序而产生的误判现象。，下面是一种基于机器学习的程序题自动评分方法专利的具体信息内容。
1.一种基于机器学习的程序题自动评分方法，其特征在于，包括以下步骤：
1)获取学生程序课程作业数据，包括学生作业、作业分数信息；
2)对获取到的作业进行数据预处理；
3)对程序进行动态测试；
4)提取程序特性；
5)应用机器学习算法对程序进行静态分析；
6)综合动态运行和静态分析结果，返回程序最终评分。
2.根据权利要求1所述的一种基于机器学习的程序题自动评分方法，其特征在于：在步骤1)中，所述学生作业是指从在线学习平台的程序设计课程中获取的学生作业；所述作业分数信息是指在线学习平台中担任程序课程的教师或者助教给学生提交的作业评判的分数等级。
3.根据权利要求1所述的一种基于机器学习的程序题自动评分方法，其特征在于：在步骤2)中，对学生提交的程序作业用文本处理技术，除去注释和与程序结构无关的部分。
4.根据权利要求1所述的一种基于机器学习的程序题自动评分方法，其特征在于：在步骤3)中，将程序题输入动态运行环境，编译运行，通过编译运行的程序采用黑盒测试，测试该程序通过测试用例的百分比。
5.根据权利要求1所述的一种基于机器学习的程序题自动评分方法，其特征在于，在步骤4)中，提取的程序特性如下：
基本属性：使用词法分析器提取基本属性，包括：①数组个数：统计程序里面定义了多少个数组；②每个数组出现次数：统计程序里面定义的数组使用次数；③自定义变量个数：
统计程序里面不重复出现的自定义变量个数；④每个自定义变量出现次数：统计程序里面不重复出现的自定义变量使用次数；⑤关键字个数：统计程序里出现的关键字个数；⑥每个关键字次数：统计程序里出现的关键字使用次数；⑦数值常量个数：统计程序里面出现的数值常量个数；⑧每个数值常量出现次数：统计程序里面出现的数值常量次数；⑨字符常量：
统计包含的单个字符和字符串个数；⑩每个字符常量次数：统计程序里面出现的某个字符常量使用次数； 运算符：统计程序出现的运算符个数； 每个运算符出现次数：统计程序出现的运算符使用次数；
容量特性：V＝N log2n；其中，V表示程序容量，N表示程序长度，n表示程序的词汇量；N＝N1+N2，N1代表出现的所有操作符总数，N2代表出现的所有操作数总数；n＝n1+n2，n1代表用到的操作符种类，n2为用到的操作数种类数；
控制流特性：使用圈复杂度来度量；将程序转化为一个带有唯一入口和出口的节点控制流程图，计算圈复杂度，圈复杂度定义为：V(G)＝e-n+2p，其中，p为控制流程图中的模块数，e为控制流程图边的个数，n为控制流程图中节点的个数；
结构特性：将程序表示为抽象语法树，应用词法分析器从抽象语法树中获取程序的逻辑结构，包含：①for循环个数；②while循环个数；③do-while循环个数；④switch次数；⑤if-else次数；⑥函数个数；⑦返回值个数；⑧for循环条件里的变量个数；⑨while循环条件里的变量个数；⑩0do-while循环条件里的变量个数； if判断条件的变量个数。
6.根据权利要求1所述的一种基于机器学习的程序题自动评分方法，其特征在于：在步骤5)中，将学生程序表示为特征向量，进行特征变化和特征选择，应用机器学习方法训练评分模型，具体步骤如下：
5.1)将源程序表示为属性特征向量P(x1,x2,x3,......xn)，式中，P为学生程序源码特征向量，x为学生程序源码的特征，n为学生程序源码的特性总数，xn为学生程序源码的第n个特性；x1为数组个数，x2为每个数组出现次数；x3为自定义变量个数；x4为每个自定义变量出现次数；x5为关键字个数；x6为每个关键字次数；x7为数值常量个数；x8为每个数值常量出现次数；x9为字符常量个数；x10为每个字符常量次数；x11为运算符个数；x12为每个运算符出现次数；x13为for循环个数；x14为while循环个数；x15为do-while循环个数；x16为switch次数；
x17为if-else次数；x18为函数个数；x19为返回值个数；x20为for循环条件里的变量个数；x21为while循环条件里的变量个数；x22为do-while循环条件里的变量个数；x23为if判断条件的变量个数；特征向量维度n由程序特征属性决定，包括出现的数组个数、自定义变量个数、关键字个数、数值常量个数、字符常量个数、运算符个数决定、函数调用个数。
5.2)将学生程序实例作为样本数据，对应的分数等级作为标签，应用机器学习KNN(K-Nearest Neighbor)算法，对样本数据按照分数等级分类，即类别对应分数等级，然后输入未知分类样本计算未知样本所属分类；步骤为：a、计算待分类数据与样本数据的距离；b、为待分类数据选择K个与其距离最小的样本；c、统计出K个样本中大多数样本所属的分类，这个分类就是待分类数据所属的分类，这个分类对应待分类程序的评分等级。
7.根据权利要求1所述的一种基于机器学习的程序题自动评分方法，其特征在于：在步骤6)中，将动态测试与静态分析结果综合，反馈学生程序题分数，分数为：S＝ω1S1+ω2S2，其中，S代表学生程序得分；ω1为动态测试分数所占权重；S1代表动态测试用例通过百分比乘以100后，小数点后一位四舍五入后的数值；ω2为静态分析所占权重；S2代表静态分析结果对应的数值评分结果。
一种基于机器学习的程序题自动评分方法
技术领域
背景技术
比较相似度的方法有：语义相似度、数核相似度算法、结构度量法、正则表达式、局部语法分析和采分点匹配等。静态分析比动态测试确实有一定的效果，比较了程序本身。但静态测试需要教师或者助教提供程序题参考答案，即模板程序。这增加了教师的工作负担，且模本程序不唯一性对相似度比较结果有一定影响。
发明内容
具体实施方式
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 面向电动汽车充电设施的互联互通检测云平台 | 2020-05-17 | 798 |
| 一种电控板黑盒测试用例生成及自动测试方法 | 2020-05-26 | 409 |
| 一种核安全级DCS软件工作信赖度的评估方法及系统 | 2020-05-23 | 926 |
| 一种基于图形用户界面的软件搜索复用方法及系统 | 2020-05-08 | 535 |
| 一种计算机软件的测试系统 | 2020-05-20 | 672 |
| 一种基于机器学习的程序题自动评分方法 | 2020-05-15 | 1004 |
| 基于吸引度的软件测试用例距离计算方法 | 2020-05-12 | 177 |
| 基于Java虚拟机的黑盒测试方法、装置、终端及存储介质 | 2020-05-13 | 942 |
| 一种基于区块链技术的软件测试平台 | 2020-05-18 | 382 |
| 一种列车车载设备黑盒测试系统 | 2020-05-14 | 71 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
