解决数学应用题的自洽推理方法
本文提出了一种新颖的数学语文问题生成方法,该方法结合了预训练的语言模型和上下文关键词选择模型,以提高所生成的数学语文问题的语言质量;而使用数学公式一致性约束来提高所生成的数学语文问题的数学有效性。经过大量的定量和定性实验,我们的方法相比各种基线方法都具有更好的性能。
Sep, 2021
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
本文提出了一种用于检索类似数学单词问题(MWP)的混合方法,该方法参考将同样的操作序列用于解题,通过与语义相似性方法相比,展示了更好的效果。
Jul, 2023
本文提出一种 fine-to-coarse 建模方法来解决数学单词问题,通过迭代地组合低级操作数以预测高级操作符来抽象问题并从底向上推理解决运算符,从而更好地捕捉本地细粒度信息和全局逻辑结构。使用 Math23k 和 SVAMP 数据集进行的广泛评估证明了我们方法的准确性和鲁棒性。
May, 2022
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
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
该论文研究了大型语言模型在数学问题推理方面的能力,特别关注符号推理在数值问题中的准确性,并通过自提示的方法提高了符号准确性,为模型提供了简洁可验证的推理能力。
Aug, 2023
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
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
研究了解决自然语言描述的数学问题的非神经和神经方法,并突出了这些方法具有可泛化、数学合理、可解释和可解释的能力,提出使用外部知识和知识渗透学习的需求和机会。
Oct, 2021