面向初等数学应用题自动解答的核心技术研究与应用

发布时间：2024-04-01 05:30

　　近年来,随着人工智能的不断发展,自然语言处理领域的不断进步,以自动解答和类人辅导为核心的线上智能教育平台越来越多,对学生的学习起着越来越重要的作用。要想实现线上智能教育系统,关键在于中文文本形式的题目如何被计算机识别,并存储到对应合理的数据结构中进行知识推演。而线上教育系统的自动解答功能则为学生提供了更类人、更有效的学习方式,其中,初等数学应用题是数学领域自动解答功能的难点。本文以自然语言处理技术和谷歌神经网络机器翻译等相关技术作为理论基础,以实现应用题自动解答作为研究目标,讨论研究了初等数学应用题的知识表示、语义理解和自动推演等核心内容,且在此基础上实现了自动解答系统。本文的主要研究为:首先本文的应用题知识表示方式以Kintsch提出的单步应用题知识表示框架为基础,提出一种新的信息框架,囊括了Kintsch的知识表示框架,并扩展了一些新的内容,比如属性槽、单位槽和数量关系槽等。通过实验证明目前提出的信息框架可以表示初等数学应用题的题目信息,并能有效用于自动解答中;其次是语义理解,初等数学应用题的语义理解是指从应用题文本中提取信息并存放于信息框架中,即从文本中提取实体、属性、数量、单位...

【文章页数】：78 页

【学位级别】：硕士

【部分图文】：

图2-1框架表示法的一般表示形式

电子科技大学硕士学位论文现，且很难解决。2）由于组织原则的缺乏，因此知识库很难管理。3）过程以及启发式的知识都很难表示。4）推理过程和表示的内容是分离的，这导致处理的过程加长且效率框架表示法理学专家在研究中发现，在人类的日常理解与思维活动中，对于遇处理，都是依赖于过去的经验与积累....

图2-2LSTM原理示意图

神经网络简称LSTM[26]，是为了解决RNN长期依赖问经网络，LSTM在RNN的基础上融入了“门”的概念思维过程，LSTM在RNN隐藏层中加入一个信息处理仅仅包含RNN中简单的tanh函数，还多了几个sig每个隐藏层单元之间是连续的状态，LSTM也....

图2-3谷歌神经网络机器翻译模型结构

图2-3谷歌神经网络机器翻译模型结构GNMT模型的左侧是处理输入序列的编码网络，右侧是生成翻译结果的解码网络，中间是Attention模块，左侧编码网络的底层是双向层，其他层是单向层。在这个双向层中，节点之间从箭头方向判断是从左到右传递信息还是从右到左传递信息，为了加速....

图2-4GNMT中的LSTM

图2-4GNMT中的LSTM在翻译模型中，翻译输出的某些单词所需的信息可能出现在源端的任何位置，在源端，信息通常是从左到右传递，但是表示信息的词语可能会在输入端的某些地方被分割，为了在编码网络的每个节点中具有最佳可能的上下文，GNMT中的编码模块使用双向RNN，为了实....

本文编号：3945044