本文提出了一个神经网络模型，基于编码器 - 解码器框架，利用自然语言理解桥接语义世界和符号世界，自动解决数学应用问题，并在 Math23K 数据集上验证模型的有效性。

Nov, 2018

该研究提出了一种新的主题模型，通过生成数学公式和周围的文本，有效地捕捉了主题与数学之间的关系，可用于主题感知公式生成、公式主题推断和主题感知数学符号与文本的对齐。

Feb, 2019

提出了一种基于复杂关系提取的数学问题求解方法，通过可解释的演绎推理步骤构建目标表达式，实现了更准确且可理解的问题求解。

Mar, 2022

本文介绍了一种无监督学习的方法来发现数学方程的语义表示，称之为方程嵌入。该方法使用周围单词的表示来发现方程的好的表示方法，并用于分析四个计算机科学领域的科学文章中的 98.5k 个方程。结果表明，方程嵌入提供了更好的模型，并能够捕捉方程与单词之间的语义相似性。

Mar, 2018

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

本研究旨在支持科学家们在研究数学公式中理解标识符的含义，通过对两种方法进行对比，我们发现使用基于词性标注的距离以及句子位置来计算标识符 - 定义概率的 Mathematical Language Processing 方法可以大大提高用户体验，工具提示提供了显示定义的悬停显示，显示出来的定义与实际标识符的含义大致匹配。

Jul, 2014

该研究提出了一种基于贝叶斯网络的符号识别方法，将识别结果组织成一个解析森林，通过提取概率最高的解析树，实现对手写数学公式的准确识别。两次评估结果表明，该方法比以前的版本和其他学术中使用的数学公式识别器更加准确。

Sep, 2014

本文探讨了将自然语言描述的概念转换成数学表达式的声明性规则，并提出了一种将此类声明性知识纳入解决数学问题的框架。通过学习如何选择与解决方案表达式的每个操作相关的声明性知识，实现了将算术单词问题文本映射到数学表达式，同时支持答案表达式的可解释性。实验评估表明，基于领域知识的求解器优于其他所有系统，并且在训练数据与测试数据偏向不同的实际情况下更具有普适性。

Dec, 2017

论文提出利用文本分类来辨别数学问题中的有关和无关句子，并提出了一种新颖的联合概率分类模型，其利用所有句子之间以及问题句子和其他句子之间的相关性和句子文本来估计数学问题中所有句子的分类决策的联合概率。结果表明，该模型和利用问题句子和其他句子之间的相关性的新型 SVM 分类器是有效的。另外，经验结果和分析表明，不删除停用词和利用词性标注虽然对数学问题类型分类相关任务有效，但对该任务并没有显著的改善。

Nov, 2014

该研究论文介绍了一种从自然语言生成数学方程的方法，通过整合树结构和采用逐层并行解码策略，以及应用二分匹配算法来对齐预测结果与注释，以提高解方程的准确性和性能。

Oct, 2023