机器之心专栏

机器之心编辑部

本文对中山大学人机物智能融合实验室（HCPLab）在数学解题领域的一系列研究进行了简要介绍，这些工作主要由HCP实验室秦景辉博士等人完成。该系列工作获得国家科技创新重大项目“因果推理与决策理论模型研究”支持。

人类在成长过程的不同阶段均需要掌握很多的知识点来求解大量的数学题。然而，知识点看懂了不算真的懂，能求解题目才能体现人类的智慧。近年来，神经网络在计算机视觉，模式匹配、自然语言处理、强化学习等领域取得了巨大成功，但神经网络模型的离散组合推理能力远不及人类。那么，神经网络能否理解数学题，并解出这些题目呢？如果可以，那么神经网络的解题能力如何？

从数据形式上来说，一道数学题可以看作是一个序列，而其解答（解题步骤或者求解表达式）往往也是以序列的形式呈现。那么数学题求解可以看作是从自然语言到数学语言的翻译问题，神经网络模型从形式上能求解数学问题。从前人的各种研究工作中可以获知，神经网络能在翻译问题上获得很好的性能，并在多个数据集上获得了超越了人类的性能。然而，与机器翻译显著不同，除了题目语义理解能力之外，数学题求解往往还需要模型具备对代数泛化对象和实体的离散组合推理能力。

为了探究深度模型对数学题的解题能力，中山大学人机物智能融合实验室在前人研究的基础上以中小学数学应用题和几何计算题为切入点，开展了一系列研究，改进了深度模型的语义理解、认知推理和数学解题能力。本文将对中山大学人机物智能融合实验室在数学解题领域的一系列研究进行简要介绍。

论文1：Semantically-AlignedUniversalTree-StructuredSolverforMathWordProblems

TheConferenceonEmpiricalMethodsinNaturalLanguageProcessing

论文

转载请注明:http://www.aideyishus.com/lktp/8355.html