EMNLPOct, 2020

语义对齐的通用树形数学问题求解器

PDF
TL;DR本篇论文提出了一种基于 Universal Expression Tree 以及 encoder-decoder structure 的 semantically-aligned universal tree-structured solver (SAU-Solver) 方法，可解决不同类型教材数学问题，并且在新提出的 Hybrid Math Word Problems dataset 上取得了优异成绩。
math word problemssolveruniversal expression treeencoder-decoder frameworkhybrid math word problems dataset
发现论文，激发创造
  • 具有统一树结构的非自回归数学物理问题求解器

    研究提出了一种基于统一树结构和新型非自回归求解器 MWP-NAS 的数学语言问题求解方法，并设计了路径度量来评估表达式的部分准确性，实验结果显示该方法在 Math23K 数据集上取得了良好的效果。

    May, 2023

  • 面向数学题的结构统一 M 树编码求解器

    本文提出了一种基于 M-tree 的求解数学问题的方法 SUMC-Solver，相比现有方法在同等设置下表现更好，在低资源条件下表现更佳。

    Oct, 2022

  • 提升神经数学问题求解器的技术

    该研究提出了一种基于编码器 - 解码器的模型，完全利用问题文本并保留逐步的交换律，以产生无论数量的排列方式如何都具有不变性的表达式嵌入，并进一步对问题文本进行编码以指导解码过程，可以提高数学问题自动求解程序的性能。

    Feb, 2023

  • 语义解析的瓶颈：自动数学题解决方案的调查

    该研究探讨了自动解决数学问题的挑战，包括语言和逻辑之间的语义鸿沟，综述了将人工智能用于代数和几何问题的主要技术及其性能，并探讨未来的研究方向。

    Aug, 2018

  • 通过生成问题语句的语言变体来求解数学应用题

    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

  • 用问题类型分类解决数学应用问题

    该论文提出了一种利用集成方法改进数学文字问题求解能力的方法，包括问题类型分类器、基于十折交叉验证和投票机制的集成学习框架以及采用自洽方法提高答案选择的大型语言模型求解器，实验证明这些方法能够改进数学文字问题求解的效果。

    Aug, 2023

  • 基于常识知识图谱和方程式的数学应用题生成

    本研究提出了一种通过神经网络模型从常识知识图谱和方程式中生成多样化数学单词问题的方法，并在教育评估方面表现出优越性，其中自规划模块实现了方程和常识知识信息的自动融合。

    Oct, 2020

  • 生成和排序：处理数学问题的多任务框架

    文章提出了一种基于预训练语言模型的多任务框架 Generate & Rank，该框架采用生成和排名的方法，在生成数学表达式的同时实现了决定正确和错误表达式等级的新的排名任务。结果表明，该方法在公共基准数据集中表现出色，比现有方法提升了 7% 的性能。

    Sep, 2021

  • 使用预训练多语言语言模型研究数学问题

    本文探讨了跨语言和多语言下的数学应用问题，使用预训练的多语言模型构建模型，并使用序列到序列模型进行求解。通过比较跨语言和多语言场景下数学应用问题的求解情况，表明将模型迁移到不同的语言上可能会导致性能下降，但如果问题类型存在于源语言和目标语言中，则其性能可以得到完善提升。

    May, 2021

  • 解决数学应用题的弱监督模型

    通过只需要问题答案进行监督，我们提出了一种弱监督模型来解决数学应用问题，我们首先学习使用问题描述和最终答案生成公式，然后使用生成的公式来训练一个有监督的数学应用问题求解器。

    Apr, 2021