摘要

数学应用题求解是自然语言处理领域的一个新兴研究方向。近年来，为应对数学应用题求解任务，研究人员广泛采用编码器-解码器（encoder-decoder）架构，该架构最初主要应用于机器翻译任务。当前最先进的神经网络模型通常依赖人工设计的特征，并基于生成式方法构建。本文提出了一种名为GEO（基于操作符生成方程，Generation of Equations by utilizing Operators）的新模型，该模型不依赖人工设计特征，有效解决了现有神经模型存在的两个关键问题：1）缺乏领域特定知识特征；2）在编码阶段丢失知识信息。为解决领域知识特征缺失问题，我们设计了两项辅助任务：操作符组差异预测（operation group difference prediction）与隐式配对预测（implicit pair prediction）。为缓解编码层级知识丢失问题，我们引入了一个操作特征前馈层（Operation Feature Feed Forward, OP3F）。实验结果表明，GEO模型在两个基准数据集上均优于现有最先进模型：在MAWPS数据集上达到85.1%的准确率，在DRAW-1K数据集上达到62.5%的准确率，并在ALG514数据集上取得了82.1%的可比性能。