要約
数学文章問題の解決は、自然言語処理分野における注目される研究トピックの一つである。近年、数学文章問題の解決タスクに対処するため、研究者たちは機械翻訳タスクで主に用いられるエンコーダ・デコーダアーキテクチャを応用している。最先端のニューラルモデルは、手動で設計された特徴量を用いており、生成手法に基づいている。本論文では、手動特徴量を用いない新たなモデルであるGEO（Operationを活用した方程式生成）モデルを提案する。このモデルは、既存のニューラルモデルに見られる2つの課題に対処する：1. 領域特有の知識特徴の欠落、および2. エンコーダレベルでの知識の喪失。領域特有の特徴の欠落問題に対処するため、2つの補助タスクを設計した。すなわち、演算子グループの差分予測と、隠れペア予測である。エンコーダレベルの知識喪失問題に対処するため、演算子特徴フィードフォワード（OP3F）層を導入した。実験結果から、GEOモデルは2つのデータセットにおいて、既存の最先端モデルを上回る性能を示した。MAWPSでは85.1％、DRAW-1Kでは62.5％の精度を達成し、ALG514データセットでは82.1％という同等の性能を獲得した。