单位依赖图及其在算术问题求解中的应用
本文介绍了一种新的自动解决算术词问题的方法,它是第一种能够处理多步骤和多操作算术问题的算法方法,不依赖于附加的注释或预定义的模板。作者提出了一种表达式树的理论,可以用于表示和评估目标算术表达式,并将其唯一分解为多个分类问题;然后,作者采用受限推理框架将这些问题组合成表达式树,并通过 “数量模式” 提升模型表现,实验结果表明,该方法在算术词问题的基准数据集上实现了业界领先的性能。
Aug, 2016
本文描述一种新的在线学习系统机器学习模型的设计和实现,旨在实现自动的数学题解决器并支持作业批改、难度估算和优先推荐等功能。作者提出了一种新颖的 HLGT 模型,对数学问题进行语义角色标注,构建异质线图并发掘其中的关系,然后使用节点表示学习来提高模型性能。实验结果表明,该模型优于现有模型但仍远低于人类水平。
Aug, 2022
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
本文探讨了 Enhanced Universal Dependencies 中坐标结构的表示,通过创造一个大规模的数据集,手动编辑语法图,确定了应该在语义角度传播哪些依赖链接,比较了基于规则和基于机器学习的方法,并提出了一种基于神经图解析器的边缘预测器,超越了目前主要的基于基本层树解析器加转换器的流水线。
Mar, 2021
通过在不同语言之间建立语义和句法的通用连接,并利用跨语言的并行句法结构,我们引入了 UD Type Calculus—— 一种构成性、有原则且与语言无关的语义类型和逻辑形式系统。我们解释了 UD Type Calculus 的基本特征,这些特征都涉及将依赖关系的意义如同单词的意义一样进行指称。这些特征使得 UD-TC 能够通过使用依赖标签来准确地推导出各种句法结构的正确含义。最后,我们在一个大型现有语料库上展示了 UD-TC 的评估结果,证明它能够产生与我们的基准结果相媲美的意义。
Mar, 2024
通过 Universal Dependencies 标记 negation scope 的能力,实现 UDepLambda 和 higher-order type theory 结合,处理代表否定、全称量词等复杂语义现象。初步实现针对英语的转化表现良好。
Feb, 2017