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

本研究提出 LABS 模型，结合标签 - 语义注意力和多标签平滑技术，旨在改进对数学问题知识点的自动标记。实验证明，LABS 模型应用于 K12 数学问题时，利用文本分类技术和数学文本的特殊元素能够最大化地提高模型的分类准确性及预测性能。

Aug, 2022

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

改变语言模型的词汇表，而不是架构，可以更好地处理数字；在预测掩码数字和数值事实估计方面具有相似的性能，这要归功于仔细设计的标记化方案。

Oct, 2023

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

本研究旨在探讨采用结构化预测的有监督学习模型解决量化问题，通过在 5500 个二进制高维数据集上实验，证明该方法比现有的量化方法更准确、更稳定、更高效。

Feb, 2015

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

研究表明大型语言模型在理解和利用数字以及在数学问题上进行计算方面具有部分能力。

Jan, 2024

本文讨论了在单个句子中识别和理解数学关系表示的问题，提出了方程式解析的问题，并介绍了一种高效的算法来解析文本到射影方程。我们的系统利用数学表达式的高精度词典和一系列的结构化预测器，在 70% 的情况下可以生成正确的方程，在 60% 的时间里，还可以识别正确的名词短语和变量映射，显著优于基线。我们还发布了一个新的注释数据集以供任务评估。

Sep, 2016