摘要
近年来，求解代数应用题已成为自然语言处理领域的一项重要任务。为解决此类问题，已有研究提出基于神经网络的模型，通过将“操作符/操作数”（Op）作为输入与输出的基本单元来生成解题方程。然而，这类神经模型存在两个关键问题：表达式碎片化（expression fragmentation）和操作数与上下文分离（operand-context separation）。为分别应对上述两个问题，本文提出一种纯神经网络模型——表达式指针变换器（Expression-Pointer Transformer, EPT），该模型在生成解题方程时引入了两个核心机制：（1）使用“表达式”（Expression）标记，以及（2）操作数-上下文指针机制。我们在三个公开数据集（ALG514、DRAW-1K 和 MAWPS）上对 EPT 模型的性能进行了评估。实验结果表明，EPT 在三个数据集上的准确率分别达到：ALG514 上 81.3%，DRAW-1K 上 59.5%，MAWPS 上 84.5%，与当前最优（SoTA）模型相比，性能相当。本文的主要贡献有两点：（1）提出了一种纯神经网络模型 EPT，能够有效缓解表达式碎片化与操作数-上下文分离问题；（2）所提出的 EPT 模型为全自动化设计，无需依赖人工设计的特征，其性能可与依赖人工特征的现有模型相媲美，并且相较于现有纯神经网络模型，性能提升最高达 40%。