Nov, 2022

基于本体和 LSTM 的跨领域算术应用题生成方法

PDF
TL;DR提出基于深度学习技术的 OLGA 系统，其中利用领域知识以检查算术单词问题的一致性，使用 LSTM 模型生成语言变化的文本，结合 TC 本体论扩展 2 人 TC 问题生成符合要求的 3 人 TC 问题，能够生成大量一致的 TC 类型算术单词问题。
arithmetic word problemsml-solversolga systemtransfer-casetc-ontology
发现论文，激发创造
  • 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

  • 数学单词问题生成与数学一致性及问题背景约束

    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

  • 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

  • 解决一般算术问题

    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

  • 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

  • ATG：基于生成式语言模型的自动定理生成基准测试

    自动生成定理是一个挑战，本文提出了一个基于自动化定理生成（ATG）的评估基准，以探究当前生成性语言模型（LMs）在生成新定理和可重复定理方面的能力，结果表明当前 LMs 仍有改进空间。

    May, 2024

  • 基于语义的数学问题数据增强

    本文提出了一种基于数据增强的方法，通过知识引导的实体替换和逻辑引导的问题重组产生不同种类的本地差异数据，从而帮助提高当前神经模型的泛化能力。实验证明了我们的方法的必要性和有效性。

    Jan, 2022

  • 针对软定理证明器的逻辑一致性对抗攻击

    通过提出一种新的生成对抗框架 LAVA，我们成功地生成了对抗性攻击，并发现了多个目标模型的全局漏洞，揭示出这些模型的推理能力的不完全掌握与逻辑漏洞，同时我们证明了在生成的样本上进行训练可以提高目标模型的性能。

    Apr, 2022

  • 大型语言模型中的符号数学问题推理

    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

  • MATHWELL：扩展规模下的教育数学问题生成系统

    使用语言模型自动生成的 K-8 数学题库，通过定期优化和专家标注的数据，得到了迄今规模最大的英语数学题库，其中有 20,490 个问题，其中 3,484 个经过领域专家评分，发现 MATHWELL 比其他方法生成的问题更容易求解、准确和适用，有 74% 的问题有可解答的解决方案，并满足所有标准。

    Feb, 2024