摘要
尽管近期基于树结构的神经网络模型在数学应用题（Math Word Problem, MWP）求解表达式的生成任务中展现出良好的性能，但大多数现有模型未能充分捕捉问题中各数量之间的关系及其顺序信息，导致数量表征质量较差，进而生成错误的求解表达式。为此，本文提出一种名为Graph2Tree的新型深度学习架构，该架构融合了基于图的编码器与基于树的解码器的优势，以生成更优的求解表达式。在Graph2Tree框架中，我们引入了两个关键图结构：数量单元图（Quantity Cell Graph）与数量比较图（Quantity Comparison Graph），旨在通过有效建模MWP中数量之间的关系与顺序信息，克服现有方法的局限性。我们在两个公开可用的数据集上进行了大量实验，结果表明，Graph2Tree在两个基准数据集上均显著优于当前最先进的基线模型。此外，本文还通过案例分析与实证研究，深入探讨了Graph2Tree在将数学应用题文本准确转化为求解表达式方面的有效性。