基于深度自适应图卷积网络的数学应用题求解器.pdf

天津师范大学硕士学位论文

摘要

数学应用题求解器的研究是自然语言处理领域中重要的任务之一。数学应用

题求解器通过识别问题文本的信息来推理出数量之间的信息，从而得出正确的表

达式和答案，为了使数学应用题求解器准确地推断出数量在表达式中所处的运算

位置和运算顺序，本文提出了一个新的数学应用题求解器的模型。

论文基于Graph2Tree模型提出了新的数学应用题求解器的模型，并将新的

数学应用题求解器的模型命名为GDR模型。GDR模型是对Graph2Tree模型的

图编码部分的图卷积网络进行改进，同时构建输入到图编码部分的关系图，并且

在训练数据时应用了R-Drop算法。为了验证GDR模型的性能，本文选取两个

数据集进行了相关的实验，两个数据集分别为大型数据集Math23K，小型数据集

MAWPS，并与数学应用题求解器中的其他优秀的模型作了对比，实验结果表明

GDR模型优于其他数学应该题求解器的模型。本文的主要工作如下：

（1）本文构造了四个数量之间以及数量和词节点之间关系图作为图编码的

输入，分别为相邻词节点的关系图、数量节点和相邻词节点的关系图、数量节点

大小的关系图以及与数量相邻的相同词节点的关系图。这四个关系图能够更好地

表示数量节点与词节点之间的关系，通过四个关系图来捕捉数量之间的关系，从

而丰富数量的表示。

（2）本文基于深度自适应图神经网络对图卷积网络进行改进，改进后的网

络为深度自适应图卷积网络。将深度自适应图卷积网络作为模型中的图编码部分，

缓解过平滑问题的发生，可以使得图编码堆叠的更深、得到更高层的表示。

（3）本文在训练数据集的过程中应用了R-Drop算法，通过随机Dropout两

次，最小化两个分布之间的KL散度，使两次输出保持一致，从而缓解过拟合现

象的发生，可以提升数学应用题求解器模型的性能。

（4）本文分别在大型数据集Math23K和小型数据集MAWPS进行了相关的

实验。GDR模型在Math23K数据集上的准确率为78.1%，在MAWPS数据集上

的准确率为85.5%，实验结果表明，GDR模型优于其他求解数学应用题的模型。

关键词：自然语言处理；数学应用题求解器；深度自适应图卷积网络；关系图；

R-Drop算法

I

天津师范大学硕士学位论文

Abstract

Thestudyofmathematicalapplicationproblemsolversisoneoftheimportant

tasksinthefieldofnaturallanguageprocessing.Mathematicalapplicationproblem

solversreasonouttheinformationbetweenquantitiesbyrecognizingtheinformation

intheproblemtexttoderivethecorrectexpressionsandanswers.Inordertomakethe

mathematicalapplicationproblemsolveraccuratelyinferthepositionofthequantities

intheexpressionandtheorderofoperations,thispaperproposesanewmodelofthe

mathematicalapplicationproblemsolver.

Thepaperproposesanewmodelofmathematicalapplicationproblemsolver

basedonGraph2Treemodel,andnamesthenewmodelofmathematicalapplication

problemsolver