Ein praktischer automatischer Lösungsansatz für textbasierte mathematische Sachaufgaben (MWPs) sollte in der Lage sein, eine Vielzahl unterschiedlicher textueller MWPs zu lösen, während die meisten bestehenden Arbeiten sich lediglich auf lineare Einfachunbekannten-MWPs konzentrieren. In diesem Beitrag stellen wir eine einfache, jedoch effiziente Methode namens Universal Expression Tree (UET) vor, die erstmals den Versuch unternimmt, die Gleichungen verschiedener MWPs einheitlich darzustellen. Darauf aufbauend wird ein semantisch ausgerichteter universeller baumstrukturierter Solver (SAU-Solver), basierend auf einem Encoder-Decoder-Framework, vorgestellt, um mehrere Arten von MWPs in einem einheitlichen Modell zu lösen, wodurch die Vorteile der UET-Darstellung genutzt werden. Unser SAU-Solver generiert explizit einen universellen Ausdrucksbaum, indem er entscheidet, welches Symbol basierend auf den semantischen Bedeutungen bereits generierter Symbole erzeugt wird – analog zum menschlichen Lösungsprozess von MWPs. Zudem integriert unser SAU-Solver eine neuartige semantisch ausgerichtete Regularisierung auf Subbaum-Ebene, die die semantischen Einschränkungen und die Plausibilität des generierten Ausdrucksbaums durch eine Ausrichtung an den kontextuellen Informationen weiter verstärkt. Schließlich präsentieren wir zur Validierung der Universalität unseres Lösers und zur Erweiterung der Forschungsgrenze von MWPs einen neuen anspruchsvollen Datensatz namens Hybrid Math Word Problems (HMWP), der drei verschiedene Arten von MWPs umfasst. Experimentelle Ergebnisse auf mehreren MWP-Datensätzen zeigen, dass unser Modell universelle Arten von MWPs lösen kann und mehrere state-of-the-art-Modelle übertrifft.