摘要
解决数学应用题的关键在于如何准确表述问题，即模型看待人类语言表达的视角。在现实世界的应用场景中，这一方法尤为重要，因为同一数学运算可能对应多种不同的实践形式。以往的研究受限于预测策略的单一性，未能充分考虑这些思维过程在数学知识获取中的实际意义。为此，本文提出一种基于注意力机制的思维扩展网络架构（Attention-based THought Expansion Network Architecture，简称 ATHENA），通过模拟人类思维扩展的机制，以神经网络的传播方式应对现实应用中的复杂挑战。该模型通过循环生成蕴含潜在数学表达思路的候选方案，并基于有效路径选择机制，逐步推导出合理且连贯的解题思路。实验结果表明，ATHENA 在面对多样化问题时，显著超越现有方法，达到当前最优性能，即使在训练样本信息有限的情况下，仍展现出强大的泛化能力，逼近理想数学推理模型的目标。