Apprentissage graphe-arbre pour la résolution de problèmes mathématiques à mots

Bien que les modèles neuronaux récents fondés sur les arbres aient démontré des résultats prometteurs dans la génération d'expressions de solution pour les problèmes mathématiques à mots (MWP), la plupart de ces modèles ne capturent pas efficacement les relations ni l'ordre entre les quantités. Cela conduit à des représentations insatisfaisantes des quantités et à des expressions de solution incorrectes. Dans cet article, nous proposons Graph2Tree, une nouvelle architecture d'apprentissage profond qui combine les avantages d'un encodeur basé sur les graphes et d'un décodeur basé sur les arbres afin de générer des expressions de solution améliorées. Notre cadre Graph2Tree intègre deux graphes : le Quantity Cell Graph (graphe des cellules quantitatives) et le Quantity Comparison Graph (graphe de comparaison quantitatives), conçus pour surmonter les limitations des méthodes existantes en représentant efficacement les relations et l'information d'ordre entre les quantités présentes dans les MWPs. Nous menons des expériences approfondies sur deux jeux de données disponibles. Les résultats expérimentaux montrent que Graph2Tree surpasse significativement les états de l'art sur deux jeux de données de référence. Nous présentons également des études de cas et examinons empiriquement l'efficacité de Graph2Tree dans la traduction du texte du problème mathématique en expression de solution.