摘要

本文提出了一种神经网络模型EPT-X（带解释的表达-指针Transformer），该模型利用自然语言解释来求解代数应用题。为增强神经模型编码过程的可解释性，EPT-X借鉴了人类解决数学应用题时所采用的“合理性”与“忠实性”概念。其中，“合理性”指解释应包含问题中出现的数字与变量的相关上下文信息；“忠实性”则指解释需准确反映模型求解方程背后的推理过程。在我们构建的PEN数据集上，EPT-X模型取得了平均69.59%的基准性能，并生成的解释质量可与人类输出相媲美。本研究的贡献主要体现在两个方面：（1）提出EPT-X模型：一个具备可解释性的神经模型，为代数应用题求解任务设立了基准，涵盖模型准确性、解释合理性与忠实性三个维度；（2）发布新数据集：我们公开了一个名为PEN（数字解释问题数据集）的新型数据集，该数据集在现有数据集的基础上，为每个数字或变量附加了相应的自然语言解释，从而显著扩展了数据的可解释性维度。