类比学习：数学应用题中的多样化问题生成
计算与语言
2023-06-16 v1
摘要
利用人工智能技术解决数学应用题（MWP）近年来随着深度神经网络（DNN）的成功取得了很大进展，但远未得到解决。我们认为，类比学习能力对于MWP求解器更好地理解那些可能以多种不同方式表述的同类问题至关重要。然而，大多数现有工作利用捷径学习，仅基于单一问题的样本来训练MWP求解器。由于缺乏多样化问题，这些方法仅学到了浅层启发式规则。本文首次尝试通过生成多样化且一致的问题/方程来解决MWP。给定一个典型的MWP（包括情境描述、问题和方程（即答案）），我们首先通过一组启发式规则生成多个一致的方程。然后将它们与情境一起输入问题生成器，得到相应的多样化问题，形成一个具有多种问题和方程的新MWP。最后，我们采用数据过滤器剔除不合理的MWP，保留高质量的增强样本。为评估MWP求解器的类比学习能力，我们通过扩展当前基准Math23K生成了一个具有多样化问题的新MWP数据集（称为DiverseMath23K）。大量实验结果表明，我们提出的方法能够生成高质量的多样化问题及对应方程，进而在Diverse-Math23K上带来性能提升。代码与数据集可在 https://github.com/zhouzihao501/DiverseMWP 获取。
引用
@article{arxiv.2306.09064,
title = {Learning by Analogy: Diverse Questions Generation in Math Word Problem},
author = {Zihao Zhou and Maizhen Ning and Qiufeng Wang and Jie Yao and Wei Wang and Xiaowei Huang and Kaizhu Huang},
journal= {arXiv preprint arXiv:2306.09064},
year = {2023}
}
备注
ACL2023 Findings