Ein zielgetriebenes, baumstrukturiertes neuronales Modell für mathematische Textaufgaben

Die meisten bestehenden neuronalen Modelle für mathematische Textaufgaben nutzen ein Seq2Seq-Modell, um Lösungsausdrücke sequenziell von links nach rechts zu generieren, wobei die Ergebnisse aufgrund des Fehlens einer zielorientierten Mechanik, wie sie bei der menschlichen Problemlösung typisch ist, weit hinter den Erwartungen zurückbleiben. In dieser Arbeit wird ein baumstrukturiertes neuronales Modell vorgestellt, das Ausdruckbäume zielorientiert generiert. Gegeben eine mathematische Textaufgabe identifiziert das Modell zunächst deren Ziel und kodiert dieses. Anschließend wird das Ziel auf eine top-down rekursive Weise in Teilziele zerlegt, die durch einen Operator miteinander verknüpft sind. Dieser Prozess wird wiederholt, bis das Ziel so einfach ist, dass es durch eine bekannte Größe als Blattknoten realisiert werden kann. Während dieses Prozesses werden zweischichtige, gatable Feedforward-Netzwerke eingesetzt, um jeweils einen Schritt der Zielzerlegung zu implementieren, und ein rekursives neuronales Netzwerk dient zur Kodierung erfüllter Teilbäume in Teilbaum-Embeddings, die eine bessere Darstellung der Teilbäume liefern als die einfachen Ziele der Teilbäume. Experimentelle Ergebnisse auf dem Datensatz Math23K zeigen, dass das vorgeschlagene baumstrukturierte Modell mehrere aktuelle State-of-the-Art-Modelle signifikant übertrifft.