تستفيد معظم النماذج العصبية الحالية لمشاكل الرياضيات الكلامية من نموذج Seq2Seq لتوليد تعبيرات الحل بشكل تسلسلي من اليسار إلى اليمين، لكن نتائجها لا ترقى إلى المستوى المطلوب بسبب نقص آلية موجهة نحو الهدف، وهي سمة شائعة في حل المشكلات البشرية. يقترح هذا البحث نموذجًا عصبيًا مُهيكلًا على شكل شجرة لتوليد شجرة تعبير بطريقة موجهة نحو الهدف. عند إعطاء مشكلة رياضية كلمية، يقوم النموذج أولًا بتحديد وترميز الهدف الذي يسعى إلى تحقيقه، ثم يتم تفكيك هذا الهدف إلى أهداف فرعية تُدمج بواسطة عملية حسابية بطريقة تنازلية تكرارية. وتُكرر هذه العملية حتى يصبح الهدف بسيطًا بما يكفي ليتم تحقيقه بواسطة كمية معروفة كعُقدة ورقة. خلال هذه العملية، تم تصميم شبكات ذات طبقتين من نوع التغذية الأمامية المُدارة (gated-feedforward) لتنفيذ كل خطوة في تفكيك الهدف، بينما تُستخدم شبكة عصبية تكرارية لترميز الأشجار الفرعية المنفذة إلى تمثيلات فرعية (subtree embeddings)، مما يوفر تمثيلًا أفضل للأجزاء الفرعية مقارنة بالأهداف البسيطة الخاصة بها. أظهرت النتائج التجريبية على مجموعة البيانات Math23K أن النموذج المُهيكل على شكل شجرة يتفوق بشكل ملحوظ على عدة نماذج حديثة متقدمة.