摘要

数学应用题（Math Word Problem, MWP）是自然语言处理领域中一项具有挑战性且至关重要的任务。近年来，许多研究将MWP建模为生成任务，并采用序列到序列（sequence-to-sequence）模型将问题描述转化为数学表达式。然而，数学表达式极易因细微错误而失效，而传统的生成目标并未显式地处理这类错误。为解决这一局限，本文提出了一种面向MWP的新颖排序任务，并设计了基于生成式预训练语言模型的多任务框架——“生成与排序”（Generate & Rank）。通过联合训练生成与排序两个任务，模型能够从自身生成的错误中学习，并有效区分正确与错误的数学表达式。同时，本文针对MWP特点设计了基于树结构的扰动方法，并引入在线更新机制以进一步提升排序模块的性能。在多个基准数据集上的实验结果表明，所提出方法显著优于现有基线模型。尤其在经典的Math23k数据集上，该方法的准确率相较当前最优方法提升了7%（从78.4%提升至85.4%），展现出卓越的性能与稳定性。