MathBridge：用于数学语音表达式转LaTeX公式以提升可读性的大规模语料数据集

提升文本类文档（如数学视频字幕）中数学表达式的可读性是一项重要任务。为实现这一目标，数学表达式应转换为编译后的公式。例如，自动语音识别得到的口语表达式"x equals minus b plus or minus the square root of b squared minus four a c, all over two a"（x等于负b加减b的平方减4ac的平方根，再除以2a），当以编译公式 $x = \frac{-b \pm \sqrt{b^2 - 4ac}}{2a}$ 显示时更易于理解。要将数学口语句子转换为编译公式，需要两个过程：口语句子被转换为LaTeX公式，然后LaTeX公式被转换为编译公式。后者可以通过使用LaTeX引擎来完成。然而，前者无法有效实现。即使我们尝试使用语言模型来解决这个问题，也没有口语句子与LaTeX公式之间的配对数据来训练它。在本文中，我们引入了MathBridge，第一个用于将数学口语句子翻译成LaTeX公式的广泛数据集。MathBridge包含约2300万个LaTeX公式，与相应的数学口语句子配对。通过全面评估，包括使用所提数据进行微调，我们发现MathBridge显著提升了预训练语言模型从数学口语句子转换为LaTeX公式的能力。具体而言，对于T5-large模型，sacreBLEU分数从4.77提高到46.8，展示了显著提升。