基于依存句法的初等数学分层抽样应用题题意理解

数学应用题自动求解,即利用计算机对自然语言描述的应用题进行自动理解和作答,一直是人工智能领域研究的重难点和核心目标之一。针对应用题语义复杂、上下文情景多变、关键参数难以准确识别的问题,提出一种基于依存句法的初等数学分层抽样应用题题意理解方法。通过构建一个面向初等数学分层抽样类应用题的句模库,并结合依存句法来实现分层抽样应用题解题信息的自动抽取。实验研究发现,与仅基于句模的信息抽取方法相比,该方法对不同语义角色的句子的信息抽取准确率均有一定提升,整题理解的准确率从40%上升至68%。     

融合常识库和语法特征的数学应用题题意理解

数学问题的题意理解是实现自动解题的关键,然而现有研究对情境复杂、参数较多等特征的应用题实现题意理解的准确率较低,尚没有很好的优化解决方案。基于此,以语境复杂的古典概型应用题为突破点,提出了融合常识库和语法特征的数学应用题题意理解方法。首先,结合古典概型应用题的文本和结构特征,构建了包含7类关键解题参数的古典概型题意表征模型;然后,根据该模型将应用题题意理解任务转化为解题参数识别问题,并设计了融合多维语法特征的条件随机场（CRF）题意参数识别方法来解决这个问题。进一步地,针对隐性参数识别问题设计了常识参数补全模块,并提出了融合常识库和语法特征的数学应用题题意理解方法。以新东方在线网站和21世纪教育在线题库中的948道古典概型应用题为实验语料进行实验。实验结果表明,所提方法的各题意参数识别F1平均值达到93.56%,高于最大熵模型（MaxEnt）、双向长短期记忆网络-条件随机场（BiLSTM-CRF）和传统CRF方法;并且题意理解准确率达到66.54%,显著高于上述其他方法,验证了所提方法对古典概型应用题题意理解的有效性。     

初等数学应用题题意理解中的常识库系统构建

类人计算领域, 题意的机器理解是数学应用题自动求解的难点. 常识性知识的缺失直接影响到题意理解的准确性. 本研究以常识为研究对象, 收集了历年初等数学古典概型的典型案例, 分析了古典概型类应用题的常识特征, 并进行了常识类型划分; 设计了XML结构存储常识性知识, 构建常识库系统实现古典概型常识的分类、表征及存储, 辅助计算机进行题意理解. 通过典型案例的应用, 其结果显示本研究构建的常识库对古典概型应用题的题意正确理解是十分有帮助的.     

一种规则与统计相结合的应用题句子语义角色识别方法

数学问题自动求解是人工智能领域的一项重要工作。以应用题自动求解为目标,以高考入学考试数学试卷中的分层抽样应用题为研究对象,重点研究了分层抽样应用题的句子语义角色识别方法。根据分层抽样的原理,首先定义了分层抽样题意表征中的五种核心语义角色,分别为：总体、样本、总体中的层、样本中的层和实体之间的关系。基于这五种语义角色,应用题题意理解中的核心问题被转换为对应用题文本中的句子进行语义角色判定。提出了一种基于特征词与n-gram模型相结合的句子语义角色判定方法,对分层抽样应用题文本中的句子进行语义角色判定。根据测试集中的实验结果,应用题的整题识别准确率由基于特征词的判定方法的17.95%提高到64.1%。实验结果说明基于特征词与n-gram模型相结合的句子语义角色判定方法能够提高题意理解的准确率。