自动作文评分(Automated Essay Scoring,AES)是自然语言处理(Natural Language Processing,NLP)在教育领域的典型应用。近十几年来,随着全球化的发展和语言教育的普及,用于考察语言掌握能力的作文评分需求也进一步扩大。由于传统的人工评分方式耗时耗力,难以满足日益增长的需求,所以自动作文评分技术应运而生。现有自动作文评分技术主要关注两大类场景:同提示作文评分(待评分作文与已有带评分历史作文来自同一个作文提示),跨提示作文评分(待评分作文与已有带评分历史作文来自不同的作文提示)。在两类场景中,同提示作文评分场景相对比较容易,它所对应的模型训练数据和测试数据分布比较一致,目前已经取得了不错的进展。而跨提示作文评分场景虽然更有实用价值,但它所对应的模型训练数据和测试数据在作文主题(写作内容)、考试难度级别、分数范围、写作体裁等方面都可能会存在差异,这给作文评分模型的设计带来了很大的挑战,目前对该场景的研究还不够深入。本文主要针对跨提示自动作文评分场景从两个方面进行了研究:一方面,针对模型训练数据与测试数据在作文主题上存在差异的特点,研究对作文对提示敏感的跨提示自动评分模型;另一方面,针对模型训练数据与测试数据在考试难度级别和分数范围上存在差异的特点,研究基于小样本学习的跨提示自动评分模型。具体而言,本文的主要工作如下:1.提出了一种对提示敏感的跨提示自动作文评分模型。现有的跨提示自动作文评分方法通常仅根据作文的写作质量来对作文进行评分,这忽略了作文的扣题程度对分数的影响。为了解决这个问题,本文提出了一种对提示敏感的跨提示自动作文评分模型PANN。具体说来,该模型包含两个子网络来分别捕获作文的写作质量特征和提示匹配特征,从两个角度来对作文进行综合打分。此外,本文还设计了三个弱监督的预训练任务来强化两个子网络的学习能力。最后,通过在两个公开数据集上进行实验,实验结果验证了PANN的有效性。2.提出了一种基于小样本学习的跨提示自动作文评分模型。现有的跨提示自动作文评分方法针对的评分场景通常仅使用与带评分作文相同难度级别和分数范围的作文集合进行模型训练,但这种场景会使得一些作文考试中的缺少同难度级别样本用来训练的作文无法有效的被自动评分。为了处理这个问题,本文提出了一种基于小样本的跨提示自动作文评分模型TGBN。其主要思路是利用基于图的直推式学习方式来充分利用少量有标记样本和大量无标记样本之间的流形结构,实现在目标作文集合中的分数对齐。具体来说,该模型包括作文编码器、图卷积模块以及有序分类器三个主要部件,分别用来抽取文本特征、流形结构特征以及考虑类别有序性的分类。此外,为了能充分的利用历史作文数据集,该模型采用元学习中的“段”式训练策略来从历史不同难度级别和分数范围的作文集合中训练模型,以在目标作文集合上达到快速适应。最后,通过在两个公开数据集上进行实验,实验结果验证了TGBN的有效性。