数学语言处理项目
本文提出了一种基于 “数理语言处理” 的数据驱动框架来自动评分开放性数学问题实现的方案,采用不同聚类方法组成的三层模型对多步解决方案进行追踪和错误定位,并在真实的慕课数据上进行了测试和验证,说明它可以极大地减少大规模教育平台上所需的人力投入。
Jan, 2015
本文介绍了一种名为 MeSys 的基于意义理解和推理的方法,用于解决英语数学词问题,该方法使用逻辑表达式进行初步分析,采用角色标签表示每个数量的相关背景,并使用统计模型来选择运算符和操作数;实验结果表明该方法在理解文本中每个数量的意义方面具有优势。
Mar, 2018
自然语言处理和大型语言模型在教育和指导方法领域取得了快速进展,特别在解决数学问题的应用方面,其中 MAmmoTH-13B 表现出了最高的能力水平,成为解决 NCERT 数学问题的可靠基准。
Apr, 2024
本文旨在提供可用于研究数学语言的不同背景下的带有注释的文献资料,并使用神经解析模型和人工干预预处理这些资料,以提供词性标签、词形还原和依赖树。我们评估了几种自然语言处理模型,在从文献资料中提取的基准数据上测试它们的性能,并展示它们在数学领域中的适应性和对于探索数学语言的有用性。虽然我们提供了学习助手以在特定环境中访问这些资料内容,进一步的工作仍然需要进行以使模型更好地适应数学,并提供更有效的学习助手以及将自然语言处理方法应用于不同的数学领域。
Jun, 2024
本论文的主要研究方向是解决神经机器翻译数学公式的问题,特别是涉及到模糊表示语言和明确内容语言之间的翻译,论文采用卷积序列到序列网络来翻译 LaTeX 和 Mathematica,达到了 95.1% 和 90.7% 的准确匹配。
May, 2023
本文提出了自然前提选择 (Natural Premise Selection) 这一新型自然语言处理 (NLP) 任务,以便找到能为生成某个语句非正式数学证明提供支持定义和支持命题的前提;此外,我们还提供了一个数据集 NL-PS,用于评估不同方法在此任务上的表现,并使用不同的基线模型来展示了该任务所涉及的基本解释挑战。
Apr, 2020
本文介绍为了解决语言模型 (LMs) 无法满足的逻辑否定性质 (property) 所采用的方法。研究者提出一种名为 Meaning-Matching 的新的任务,用于直接帮助 LM 学习词汇语义信息,进而满足逻辑否定性质 (property)。在七个 GLUE 任务上的微调实验证明了该方法的有效性。
May, 2022
该论文提出一种利用马尔可夫过程进行文本话题、同义词和语义领域提取的语义模型,通过数学分析文本中的重复模式的方法,实现了语言无关的数字指纹。这种语言无关的语义表达方式可以让机器阅读器能够自动识别不同语言的中短文本和进行自动单词翻译。
Jul, 2019
该论文提出了一种用于解决数学问题的框架,该框架基于生成问题文本的语言变体,利用 DeBERTa 编码器构建解决方案表达式,通过对每个变体问题进行求解并选出获得大多数选票的预测表达式来改善数学推理和模型的鲁棒性。
Jun, 2023