Math Word Problem Generation with Mathematical Consistency and Problem Context Constraints
Rice University(莱斯大学);University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);OpenStax
我们研究了生成算术数学应用题(MWPs)的问题,给出了指定数学计算的数学方程和指定问题场景的上下文。现有的方法容易产生数学上无效或语言质量不令人满意的MWP。他们也忽略了上下文或需要手动规范的问题模板,这损害了所生成的MWP的多样性。在本文中,我们开发了一种新的MWP生成方法,利用i)预训练的语言模型和上下文关键字选择模型,以提高生成的MWP的语言质量和ii)数学方程的方程一致性约束,以提高生成的MWP的数学有效性。在三个真实世界的MWP数据集上进行的大量定量和定性实验表明,与各种基线相比,我们的方法具有优异的性能。
2021-09-09 cs.CL
Towards Tractable Mathematical Reasoning: Challenges, Strategies, and Opportunities for Solving Math Word Problems
Embibe
数学推理将是人工智能取得重大进展的下一个前沿领域之一。解决数学应用题(MWPs)并因此获得更好的数学推理能力的持续激增将继续成为未来研究的关键。我们检查非神经和神经的方法来解决以自然语言叙述的数学应用题。我们还强调了这些方法的能力是可推广的,数学上合理的,可解释的和可解释的。神经方法主导了当前的最新技术水平,我们调查了它们,强调了MWP求解的三种策略:(1)直接答案生成,(2)用于推断答案的表达式树生成,以及(3)用于答案计算的模板检索。此外,我们还讨论了技术方法,回顾了直观的设计选择的演变,以解决MWPs,并检查他们的数学推理能力。我们最终确定了几个差距,保证需要外部知识和知识注入学习,在解决MWPs的其他几个机会。
2021-10-29 cs.AI cs.CL
Mathematical Model of Word Length on the Basis of the Cebanov-Fucks Distribution with Uniform Parameter Distribution
13个类型学上不同的语言的数据已被处理使用一个双参数字长模型,基于1-位移均匀泊松分布。第二个参数对第一个参数的统计依赖关系被揭示为德语文本和字母类型。
2001-02-24 cs.CL
From Algebraic Word Problem to Program: A Formalized Approach
本文提出一条将小学数学代数应用题自动转换为形式语言 A-IMP 程序的流水线,通过自然语言处理、函数归约和依存句法分析提取参数,并提供了可运行的实现。
2024-04-06 cs.CL cs.PL
Why PairDiff works? -- A Mathematical Analysis of Bilinear Relational Compositional Operators for Analogy Detection
University of Liverpool(利物浦大学);Japan Advanced Institute of Science and Technology(日本先端科学技术大学院大学)
表示两个给定单词(或实体)之间存在的语义关系是自然语言处理(NLP)广泛应用的重要第一步,如类比推理、知识库补全和关系信息检索。一种简单但精确得令人惊讶的表示两个词之间关系的方法是计算它们对应的词嵌入之间的向量偏移(\PairDiff)。尽管取得了经验上的成功,但仍然不清楚\PairDiff是否是从词嵌入中获得关系表示的最佳算子。我们进行了理论分析的广义双线性算子,可以用来衡量两个字对之间的$\ell_{2}$关系距离。我们表明,如果词嵌入是标准化的和不相关的,这样的操作将是独立的双线性项,并可以简化为一个线性形式,其中\PairDiff是一个特殊情况。对于众多的词嵌入类型,我们实证验证了不相关的假设,证明了我们的理论结果的普遍适用性。此外,我们实验发现\PairDiff从双线性关系复合算子在几个基准模拟数据集。
2017-12-15 cs.AI cs.CL cs.LG
CLEVR-Math: A Dataset for Compositional Language, Visual and Mathematical Reasoning
Umeå University(于默奥大学);Örebro University(厄勒布鲁大学)
我们介绍CLEVR-Math,一个多模态数学单词问题数据集,由涉及加法/减法的简单数学单词问题组成,部分由文本描述表示,部分由说明场景的图像表示。文本描述了在图像中描绘的场景上执行的操作。由于提出的问题可能不是关于图像中的场景,而是关于应用动作之前或之后的场景状态,因此求解器设想或想象由于这些动作而导致的状态变化。解决这些应用题需要语言、视觉和数学推理的结合。我们采用最先进的神经和神经符号模型的视觉问答CLEVR-Math和经验评估他们的表现。我们的研究结果表明,这两种方法都不能推广到连锁经营。我们讨论了这两个在解决多模态字问题解决的任务的局限性。
2022-08-10 cs.CL cs.CV cs.LG
Isometric Lineation in English Texts: An Empirical and Mathematical Examination of its Character and Consequences
在本文中,我们建立在早期的观察和理论,关于单词的长度频率和顺序分布,开发一个数学表征的一些语言功能区分等距线文本从unlineated文本,换句话说,功能区分等距诗从散文。结果表明,音节的频率,使完整的话产生一个平坦的分布散文,而诗句表现出的行长度的位置和随后的倍数的位置的峰值。数据从几个诗句作者,包括一个详细的数学分析的动力学基础高峰创建,并提供评论的过程中,作者构建线。我们注意到,散文的词长序列是随机的,而划线则需要非随机的词长序列,这可能会给原本高度有序的语法序列带来一定程度的随机性。此外,我们观察到,这种效果可以改善减少平均文字长度的文本(确认早期的观察,诗句往往使用较短的话)和使用不同的线从核心等距集。变异行的频率与多音节词的频率一致,这表明变异行的使用是由多音节词的位置。探讨了不同诗行长度的制约作用、格律制约与诗歌效果的关系以及格律的共性。
1998-08-14 cmp-lg cs.CL
An Independent Evaluation of ChatGPT on Mathematical Word Problems (MWP)
Arizona State University(亚利桑那州立大学)
我们研究了一个商业上可用的大语言模型(LLM)被称为ChatGPT的数学单词问题(MWPs)从数据集DRAW-1 K的性能。据我们所知,这是ChatGPT的第一次独立评估。我们发现ChatGPT的性能根据显示其工作的需求而发生显着变化,当它提供工作时,有20%的时间失败,而当它不提供工作时,则有84%。与未知数的数量和操作的数量相关的关于MWP的其他几个因素导致与先前相比更高的失败概率,特别注意(在所有实验中)失败概率随着加法和减法操作的数量线性增加。我们还发布了ChatGPT对MWP的响应数据集,以支持LLM性能表征的进一步工作,并提供基线机器学习模型来预测ChatGPT是否可以正确回答MWP。我们发布了一个由ChatGPT的响应组成的数据集,以支持该领域的进一步研究。
2023-02-28 cs.AI cs.CL cs.LG
'John ate 5 apples' != 'John ate some apples': Self-Supervised Paraphrase Quality Detection for Algebraic Word Problems
Indraprastha Institute of Information Technology, Delhi(德里英德拉普拉斯塔信息技术学院)
本文介绍了一种新的任务,评分释义代数应用题(AWP),并提出了一种自我监督的方法来做到这一点。在当前的在线教学环境中,解释这些问题有助于学者产生多个句法不同的问题进行评估。它还有助于诱导变异,以确保学生已经理解了问题,而不是仅仅记住它或使用不公平的手段来解决它。当前最先进的释义生成模型往往不能有效地释义单词问题,丢失了一条关键信息(如数字或单位),使问题无法解决。有必要在AWP的上下文中的释义评分方法,使良好的释义培训。因此,我们提出了ParaQD,一个自我监督的释义质量检测方法,使用新的数据增强,可以学习潜在的表示分离高质量的释义代数问题从一个穷人的一个很大的利润。通过大量的实验,我们证明了我们的方法比现有的最先进的自监督方法高出32%,同时也展示了令人印象深刻的zero-shot性能。
2022-06-16 cs.AI cs.CL
Mathematical Word Problem Generation from Commonsense Knowledge Graph and Equations
TAL Education Group(好未来教育集团)
数学应用题生成在教育评价中的应用越来越受到人们的关注。与标准的自然问题生成不同,MWP生成需要维护数量和变量之间的底层数学运算,同时确保输出与给定主题之间的相关性。为了解决上述问题,我们开发了一个端到端的神经模型,从常识知识图谱和方程中生成现实世界场景中的各种MWP。所提出的模型(1)从符号方程和常识知识的边增强Levi图中学习两种表示;(2)在生成MWP时通过自规划模块自动融合方程和常识知识信息。在教育金标准集和大规模生成的MWP集上的实验表明,我们的方法在MWP生成任务上是优越的,并且在自动评估指标方面优于SOTA模型,即,BLEU-4、ROUGE-L、Self-BLEU和人工评估指标,即,等式关联、话题关联和语言连贯。为了鼓励可重复的结果,我们在\url{https://github.com/tal-ai/MaKE_EMNLP2021}上公开了我们的代码和MWP数据集。
2021-09-09 cs.AI cs.CL
A mathematical model for universal semantics
Princeton University(普林斯顿大学);Beijing Institute of Big Data Research(北京大数据研究院)
我们通过对文本中重复出现的模式进行数学分析,用独立于语言的数字指纹来表征单词的含义。在长时间尺度上通过马尔可夫过程近似文本,我们能够从中等长度的特定文档中提取主题,发现同义词,并勾画语义场,而无需咨询外部知识库或词库。我们的马尔可夫语义模型使我们能够代表每个主题的概念由一个低维向量,解释为代数不变量的简洁的统计操作的文件,针对本地环境的个别单词。这些独立于语言的语义表示使机器人阅读器能够理解给定语言的短文本(自动问答),并在不同语言之间匹配中等长度的文本(自动单词翻译)。我们的语义指纹量化了5个主要语系14种代表性语言中单词的本地含义,提出了一种通用且具有成本效益的机制,可以在语义层面处理人类语言。我们的协议和源代码可在https://github.com/yajun-zhou/linguae-naturalis-principia-mathematica上公开获取
2020-07-12 cs.AI cs.CL cs.LG
Detecting multiword phrases in mathematical text corpora
Cologne University of Applied Sciences(科隆应用科学大学);Institute of Information Science(信息科学研究所)
本文提出了一种在数学文本语料库中检测多词短语的方法。所使用的方法是基于数学术语的特征。它使用一个名为Lingo的软件工具,可以通过以前定义的词典识别特定的词类,如形容词,人名或名词。多字组的检测是通过算法完成的。索引和信息检索的方法可能的优点和应用基于字典的自动索引的方法,而不是词干程序的结论进行了讨论。
2012-10-02 cs.CL cs.IR
Learning by Applying: A General Framework for Mathematical Reasoning via Enhancing Explicit Knowledge Learning
University of Science and Technology of China(中国科学技术大学);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
数学推理是通用人工智能的关键能力之一,它要求机器从解决问题中掌握数学逻辑和知识。然而,就在推理过程中学习和应用的知识而言,现有的方法并不透明(因此不可解释)。在本文中,我们提出了一个通用的学习应用(LeAp)框架,以增强现有的模型(骨干)在一个原则性的方式通过显式知识学习。在LeAp中,我们在一个新的问题-知识-表达范式中进行知识学习,知识编码器从问题数据中获取知识,知识解码器将知识应用于表达推理。学习到的数学知识,包括词-词关系和词-算子关系,形成了一个显性的知识图谱,将知识的“学”与“用”有机地连接起来。此外,对于问题的解决,我们设计了一个语义增强模块和推理增强模块,应用知识,以提高问题的理解和符号推理能力的任何骨干,分别。从理论上证明了LeAp自主学习机制的优越性。在三个真实数据集上的实验表明,LeAp提高了所有骨干的性能,学习准确的知识,并实现了更可解释的推理过程。
2023-02-11 cs.AI cs.CL cs.LG
Reverse Operation based Data Augmentation for Solving Math Word Problems
Kyoto University(京都大学);Peking University(北京大学);Waseda University(早稻田大学)
数学应用题的自动求解是自然语言处理领域的一个重要课题。最近的模型已经达到了性能瓶颈,需要更多高质量的数据进行训练。我们提出了一种新的数据增强方法,该方法反转数学应用题的数学逻辑,以产生新的高质量数学问题,并引入新的知识点,可以帮助学习数学推理逻辑。我们将增强的数据应用于两个SOTA数学单词问题解决模型,并将我们的结果与强大的数据增强基线进行比较。实验结果表明了该方法的有效性。我们在https://github.com/yiyunya/RODA上发布我们的代码和数据。
2021-11-10 cs.CL
Learning Mathematical Properties of Integers
Language Technologies Institute(语言技术研究所);Carnegie Mellon University(卡内基梅隆大学);DiDi Labs(滴滴实验室)
在高维向量空间中嵌入词在许多自然语言应用中已被证明是有价值的。在这项工作中,我们研究了类似训练的整数嵌入是否可以捕获对数学应用有用的概念。我们探索数学知识的整数嵌入,将它们应用于一组数值推理任务,并表明通过学习数学序列数据的表示,我们可以大大提高从英语文本语料库中学习到的数字嵌入。
2021-09-15 cs.CL cs.LG
When Not to Answer: Evaluating Prompts on GPT Models for Effective Abstention in Unanswerable Math Word Problems
Islamic University of Technology(伊斯兰理工大学);University of California, Riverside(加州大学河滨分校)
本文通过UWMP数据集和GPT模型API实验,评估提示方法对GPT在不可解答数学应用题中有效弃权(不执行)的作用,揭示其幻觉缺陷并提出改进方向。
2024-10-16 cs.CL cs.LG
Learning Mathematical Rules with Large Language Models
J.P. Morgan AI Research(摩根大通人工智能研究院)
该研究提出构建含数学规则的合成数据并微调大型语言模型,实证表明模型可在一定程度上学习、泛化分配律和方程化简等规则,并迁移到应用题中。
2024-10-25 cs.AI cs.CL cs.LG
Quantity Tagger: A Latent-Variable Sequence Labeling Approach to Solving Addition-Subtraction Word Problems
StatNLP Research Group(StatNLP研究小组);Singapore University of Technology and Design(新加坡科技设计大学)
算术题通常包括一个包含几个常量的文本描述。解决问题的关键是揭示量之间的潜在数学关系(如加法和减法),然后生成方程来求解。这项工作提出了一种新的方法,数量标记,自动发现这种隐藏的关系,通过标记每个数量与一种类型的数学运算对应的符号。对于每一个量,我们假设存在一个潜在的,可变大小的量跨度周围的文本中的数量令牌,它传达的信息,用于确定其符号。实验结果表明,与现有方法相比,我们的方法在两个数据集上分别实现了5和8个点的准确性增益。
2019-08-31 cs.CL
From Large to Tiny: Distilling and Refining Mathematical Expertise for Math Word Problems with Weakly Supervision
Guangdong University of Technology(广东工业大学)
本文提出两阶段蒸馏与精炼框架,从 LLM 构建并补全问题-方程对以弱监督训练小型 MWP 模型,在 Math23K 和 Weak12K 上显著提升且成本远低于 ChatGPT。
2024-03-21 cs.CL
SafeMath: Safe Solutions for Unsafe Math Word Problems
Indian Institute of Technology Kharagpur(印度理工学院克勒格布尔分校);Cisco Systems(思科系统公司);National University of Singapore(新加坡国立大学)
本文研究了有害数学问题对LLM的影响,提出SafeMath技术在保障安全的同时提升数学推理能力。
2026-09-02 cs.CL cs.CY
Techniques to Improve Neural Math Word Problem Solvers
McGill University(麦吉尔大学)
开发数学应用题自动求解器是一项具有挑战性的任务,它需要对自然语言的理解和数学推理能力。最近的基于神经元的方法主要使用语言模型对问题文本进行编码,并迭代地对数量和运算符上的数学表达式进行解码。注意,MWP的问题文本由上下文部分和问题部分组成,最近的工作发现这些神经求解器可能仅在上下文文本和黄金表达式之间执行浅模式匹配,其中问题文本没有得到很好的利用。同时,现有的解码过程未能将数学定律强制执行到设计中,其中数学等价表达式的表示是不同的。为了解决这两个问题,我们提出了一个新的编码器-解码器架构,充分利用问题的文本,并保留逐步交换律。除了生成数量嵌入,我们的编码器进一步编码的问题文本,并使用它来指导解码过程。在每一步中,我们的解码器使用深度集来计算表达式表示,以便这些嵌入在任何数量排列下都是不变的。对四个既定基准的实验表明,我们的框架优于最先进的神经MWP求解器,表明了我们技术的有效性。我们还对结果进行了详细的分析,以显示我们的方法的局限性,并进一步讨论未来的工作。代码可在https://github.com/sophistz/Question-Aware-Deductive-MWP上获得。
2023-02-06 cs.CL cs.SC
Context-theoretic Semantics for Natural Language: an Algebraic Framework
University of Sussex(萨塞克斯大学)
将词表示为向量的技术在计算语言学的许多应用中已经被证明是有用的,但是目前还没有通用的语义形式主义来表示向量的意义。我们提出了一个自然语言语义框架,其中的词,短语和句子都表示为向量,基于理论分析,假设意义是由上下文决定的。在理论分析中,我们将语料库模型定义为对文本语料库的数学抽象。假设一串单词的含义是一个向量,表示它在语料库模型中出现的上下文。基于这个假设,我们可以证明词的向量表示可以被认为是域上代数的元素。我们注意到,在向量空间的应用程序来表示单词的含义有一个潜在的格结构,我们解释的偏序格之间的含义描述。我们还定义了一个字符串的上下文理论概率,并在此基础上和格结构,字符串之间的蕴涵程度。这些属性一起形成了关于如何在框架内构造语义表示的指导方针。上下文理论是框架的实现;在实现中,字符串被表示为具有从理论分析推导出的属性的向量。我们将展示如何将逻辑语义纳入上下文理论,这使我们能够表示统计信息的不确定性,采取加权总和的个人表示。我们还使用该框架来分析方法的任务,认识到文本蕴涵,本体论的表示意义和表示句法结构。对于后者,我们给出了新的代数描述的链接文法。
2020-09-22 cs.CL
VerityMath: Advancing Mathematical Reasoning by Self-Verification Through Unit Consistency
Singapore University of Technology and Design(新加坡科技设计大学)
本研究提出VerityMath方法,通过定义和验证数学应用题中数量的单位一致性,微调开源LLMs以提升推理能力,虽当前性能略逊,但提供了错误分析和改进方向。
2024-07-21 cs.CL cs.PL
ComSearch: Equation Searching with Combinatorial Strategy for Solving Math Word Problems with Weak Supervision
Graduate School of Informatics, Kyoto University(京都大学信息学研究科);Xiaomi AI Lab(小米人工智能实验室);Peking University(北京大学)
以往的研究已经引入了一个弱监督的范式来解决数学应用题,只需要答案值注释。当这些方法搜索作为伪标签的正确值方程候选时,它们在巨大的方程空间的狭窄子空间中搜索。为了解决这个问题,我们提出了一种新的搜索算法与组合策略\textbf{ComSearch},它可以压缩搜索空间,排除数学等价方程。压缩允许搜索算法枚举所有可能的方程并获得高质量的数据。我们研究了伪标签中包含错误数学逻辑的噪声,我们称之为\textit{false-matching}问题,并提出了一个排序模型来消除伪标签。我们的方法拥有一个灵活的框架,利用现有的两个有监督的数学单词问题求解器训练伪标签,并在弱监督任务中实现最先进的性能。
2023-03-07 cs.CL
Empowering Bengali Education with AI: Solving Bengali Math Word Problems through Transformer Models
Ahsanullah University of Science and Technology(阿萨努拉科技大学)
本文构建含10,000道题的PatiGonit数据集,并微调多种Transformer模型求解孟加拉语数学应用题,其中mT5以97.30%准确率取得最佳效果。
2025-01-05 cs.AI cs.CL cs.CY
Why are NLP Models Fumbling at Elementary Math? A Survey of Deep Learning based Word Problem Solvers
L3S Research Center(L3S研究中心);IBM Research(IBM研究院);Queen’s University(女王大学);University of Örebro(厄勒布鲁大学)
从过去十年的后半期开始,人们对开发自动解决数学应用题(MWP)的算法越来越感兴趣。这是一个具有挑战性和独特的任务,需要融合表面水平的文本模式识别与数学推理。尽管进行了广泛的研究,但我们距离建立小学数学应用题的鲁棒表示和一般任务的有效解决方案仍然很远。在本文中,我们批判性地研究了各种模型,已开发的解决字的问题,他们的优点和缺点和未来的挑战。在过去的两年里,许多深度学习模型在基准数据集上记录了相互竞争的结果,这使得对文献的关键性和概念性分析在这个时候非常有用。我们退后一步,分析为什么,尽管在学术兴趣丰富,主要使用的实验和数据集设计仍然是一个绊脚石。从分析文献的角度,我们也努力为未来的数学应用题研究提供一个路线图。
2022-05-31 cs.AI cs.CL
An algebraic approach to translating Japanese
The University of Manchester(曼彻斯特大学)
本文基于Lambek预群与DisCoCat框架,将日英翻译建模为函子对,并通过预群装饰机制处理语言间的语序变化。
2023-03-10 cs.CL math.CT
Tackling Math Word Problems with Fine-to-Coarse Abstracting and Reasoning
Fudan University(复旦大学);Mila(米拉人工智能研究所);DIRO, Université de Montréal(蒙特利尔大学计算机科学与运筹学系);CIFAR(加拿大高等研究院)
数学应用题是一项重要的任务,它要求学生具备对数学文本的理解和推理能力。现有的方法大多将其形式化为一个生成任务,采用Seq2Seq或Seq2Tree模型将输入的数学问题用自然语言编码为全局表示,并生成输出的数学表达式。这样的方法只能学习浅层次的语法,无法捕捉输入中的细粒度变化。本文提出了一种从细到粗的数学应用题建模方法,既能捕捉到局部的细粒度信息,又能捕捉到全局的逻辑结构,而不是从全局特征中生成一个完整的方程序列或表达式树,而是迭代地组合低层操作数来预测高层操作数,对问题进行抽象,并自下而上对求解操作数进行推理.我们的模型自然对局部变化更敏感,可以更好地推广到看不见的问题类型。Math23k和SVAMP数据集上的广泛评估证明了我们方法的准确性和鲁棒性。
2022-05-17 cs.AI cs.CL
Logic Contrastive Reasoning with Lightweight Large Language Model for Math Word Problems
Zhejiang Lab(之江实验室)
本文提出一种基于逻辑相似度筛选参考问题并结合正负例提示的轻量级大语言模型数学推理方法,首次将检索增强生成用于数学解题,在SVAMP和GSM8K上分别提升15.8%和21.5%,并分析了推理错误。
2024-08-29 cs.AI cs.CL
Generating Pedagogically Meaningful Visuals for Math Word Problems: A New Benchmark and Analysis of Text-to-Image Models
ETH Zurich(苏黎世联邦理工学院);ETH AI Center(苏黎世联邦理工学院人工智能中心);University of Zurich(苏黎世大学)
本文提出Math2Visual框架,基于教师访谈定义的视觉语言自动生成数学应用题教学视觉内容,构建1,903个标注数据集并微调文本到图像模型,建立教育视觉生成新基准。
2025-06-04 cs.AI cs.CL cs.HC
What Makes Math Word Problems Challenging for LLMs?
MBZUAI(穆罕默德·本·扎耶德人工智能大学)
本文通过分析英文数学应用题的语言与数学特征,并训练基于特征的分类器,揭示了影响LLMs解题难度的关键因素,从而预测模型在不同题型上的表现。
2024-04-01 cs.CL
Large Language Models Don't Make Sense of Word Problems. A Scoping Review from a Mathematics Education Perspective
University of Education Freiburg(弗赖堡教育学院);KU Leuven(鲁汶大学);Technical University of Munich(慕尼黑工业大学);Portland State University(波特兰州立大学)
从数学教育视角的范围综述发现,最新LLMs虽能近乎完美解决常规应用题,但在处理需结合现实背景的题目时存在弱点,仅掌握表面求解过程,限制了其教学价值。
2025-08-09 cs.CL math.HO
The Mathematics of Text Structure
Oxford University(牛津大学);Cambridge Quantum Computing Ltd.(剑桥量子计算有限公司)
在以前的工作中,我们给出了一个数学基础,称为DiscoCat,用于描述单词如何在句子中相互作用,以产生句子的含义。为此,我们利用了语法和意义空间类别的完美结构匹配。在这里,我们给出了一个数学基础,被称为DisCoCirc,句子如何在文本中相互作用,以产生该文本的意义。首先,让我们重温一下DiscoCat。在DisCoCat中,所有的意义都被固定为状态(即没有输入),而在DisCoCirc中,单词的意义对应于一个类型或系统,并且这个系统的状态可以演变。句子是电路中的门,它更新这些单词的可变含义。就像在DisCoCat中一样,词义可以存在于各种空间中,例如命题空间、向量空间或认知空间。组成结构是代表信息流的字符串图,整个文本产生一个单一的字符串图,其中单词的含义提升到整个文本的含义。虽然本文中的发展独立于物理实施例(参见图1)。经典与量子计算),组合形式主义和建议的意义模型都是高度量子启发的,并且在量子计算机上实现将带来一系列好处。我们还赞扬吉姆·兰贝克在数学语言学中的作用,以及更具体地发展迪斯科计划。
2020-02-28 cs.CL math.CT quant-ph
FineMath: A Fine-Grained Mathematical Evaluation Benchmark for Chinese Large Language Models
Tianjin University(天津大学);China University of Geosciences(中国地质大学);The University of Queensland(昆士兰大学)
本文提出 FineMath 细粒度中文数学评估基准,覆盖小学数学 17 类应用题并按推理步骤人工标注难度,实验揭示中文 LLM 数学推理仍有明显提升空间。
2024-09-06 cs.AI cs.CL
Hidden Markov Based Mathematical Model dedicated to Extract Ingredients from Recipe Text
Paris University(巴黎大学)
自然语言处理(NLP)是人工智能的一个分支,它赋予机器解码人类语言的能力。词性标注是一项需要标注语料库的预处理任务。基于规则的方法和随机方法在POS标签预测中取得了显著的效果。在这项工作中,我执行了一个基于隐马尔可夫结构的数学模型,并获得了从文本食谱中提取的成分的高精度,其性能大于传统方法在不考虑未知词的情况下所能实现的性能。
2021-09-28 cs.CL
Generate & Rank: A Multi-task Framework for Math Word Problems
Huawei HiSilicon(华为海思);Peking University(北京大学)
数学应用题是自然语言处理中的一个具有挑战性和关键性的任务。最近的许多研究将MWP形式化为生成任务,并采用序列到序列模型将问题描述转换为数学表达式。然而,数学表达式容易出现小错误,而生成目标并不明确地处理这样的错误。为了解决这个问题,我们设计了一个新的排名任务MWP和提出生成&排名,一个多任务框架的基础上生成预训练的语言模型。通过与生成和排名的联合训练,模型从自己的错误中学习,并能够区分正确和不正确的表达。同时,我们执行专门为MWP设计的基于树的扰动和在线更新以提高排名。我们证明了我们提出的方法在基准测试中的有效性,结果表明,我们的方法在所有数据集中的性能始终优于基线。特别地,在经典的Math23 k中,我们的方法比最先进的方法高7%(78.4% $\rightarrow$ 85.4%)。
2021-09-07 cs.AI cs.CL
Error Classification of Large Language Models on Math Word Problems: A Dynamically Adaptive Framework
Software Engineering Institute, East China Normal University(东华师范大学软件工程研究院);School of Computer Science and Artificial Intelligence, Fudan University(复旦大学计算机科学与人工智能学院);Shanghai Key Laboratory of Trustworthy Computing, Shanghai, China(上海可信计算关键实验室)
针对数学应用题错误分类依赖静态预定义类别的问题,提出动态自适应框架,构建含304,865个错误样本的MWPES-300K数据集,并引入错误感知提示(EAP)提升推理性能。
2025-09-08 cs.CL
Analogical Math Word Problems Solving with Enhanced Problem-Solution Association
University of Notre Dame(圣母大学);Hong Kong University of Science and Technology(香港科技大学)
数学应用题解决是问答中的一项重要任务,它要求学生具有类人推理能力。类比推理在数学教育中应用已久,因为它使学生能够应用数学情境中常见的关系结构来解决新问题。在本文中,我们建议建立一个新的MWP求解器,利用类比MWP,提高求解器的泛化能力,在不同种类的MWP。其核心思想是将相似的MWP对关联到一个潜在空间中,即,编码接近另一个类比MWP的MWP,而远离非类比MWP。此外,一个解决方案,集成到MWP求解器,以增强MWP的表示和他们的真正的解决方案之间的关联。评估结果验证了我们提出的类比学习策略在Math 23 k上的MWP-BERT性能优于最先进的Generate 2 Rank模型,编码器中的参数减少了5倍。我们还发现,我们的模型具有更强的泛化能力,在解决困难的MWPs由于类比学习容易MWPs。
2022-12-01 cs.AI cs.CL
Verb Categorisation for Hindi Word Problem Solving
IIIT-Hyderabad(海得拉巴国际信息技术学院)
针对印地语算术应用题求解任务,该研究构建了基于动词分类的规则式求解器,创建了印地语动词分类数据,并对比了多种动词分类方法的效果。
2023-12-18 cs.AI cs.CL
A Lie-algebraic perspective on Tree-Adjoining Grammars
Yale University(耶鲁大学);California Institute of Technology(加州理工学院)
本文用图的组合定义给出树邻接语法的新数学实现,证明邻接操作构成预李运算与李代数,并表明该表述可自然捕捉空邻接约束和特征TAG等性质,无需额外设定。
2025-07-04 cs.CL math.QA math.RA