MWP论文总结

论文总结

Modeling math word problems with augmented semantic networks NLDB 2012

此前大多数方法都是基于框架的，提出了一个基于增广语义网络的模型来建模数学结构。

Learning to Solve Arithmetic Word Problems with Verb Categorization EMNLP 2014

对句子中的动词进行分类的方法，建模不同容器中数量变化的关系。

Deep neural solver for math word problems

这篇文章是第一篇在MWP问题上做DL的工作。结合seq2seq和similarity-based retrieval model解决MWP问题。

Translating a Math Word Problem to an Expression Tree EMNLP 2018

考虑表达式的唯一性，提出了一种方程归一化方法来归一化重复方程。

MathDQN: Solving ArithmeticWord Problems via Deep Reinforcement Learning AAAI Oral 2018

在将问题表达成一个表达式树的时候，有一种方法是枚举所有的操作数，组成树的叶子节点。这种方法所需的搜索空间很大，提出用deep Q-network来解决math word problem缩小搜索空间。

TRNN/Template-Based Math Word Problem Solvers with Recursive Neural Networks AAAI 2019

Math23K提出后，原有的方法在该数据机上失效，于是提出基于循环神经网络的模版求解方法。 Modeling Intra-Relation in Math Word Problems with Different Functional Multi-Head Attentions ACL 2019

为了充分利用深度学习模型的优点，同时考虑到MWPs的具体特征，提出了一种群体注意机制来分别提取MWPs中的全局特征、数量相关特征、数量对特征和问题相关特征。

A Goal-Driven Tree-Structured Neural Model for Math Word Problems IJCAL 2019

Seq2Seq模型，从左到右依次生成解的表达式，但这些模型解决缺乏目标驱动机制。提出首先在文本中找出求解目标，然后再寻找解决方案，如果需要，还需要将目标分解成多个子目标进行分析，直到所有的子目标都可以用对应的数值替换，逐步分解得到表达式树。

Teacher-Student Networks with Multiple Decoders forSolving Math Word Problem IJCAI 2020

MWP模型通常fit解决方案，而不是真正理解或解决问题。因此，模型的泛化性有限。提出利用教师网络来学习等价解表达式，增加解题的多样性和泛化性。

Graph-to-Tree Learning for Solving Math Word Problems ACL 2020

此前模型大多没有很好地捕捉到量之间的关系和顺序信息，提出结合基于图的编码器和基于树的解码器的优点来生成更好的解表达式。

Graph-to-Tree Neural Networks for Learning Structured Input-Output Translation with Applications to Semantic Parsing and Math Word Problem EMNLP 2020 发现

此前模型要么只将输入对象视为序列，而忽略了用于编码的重要结构信息。提到用句法依存树和选区句法树来表示句子的结构信息，将得到的语法树表示称邻接矩阵，然后用GCN进行编码。得到的图结构作为encoder的输出拿去做树解码。

A Knowledge-Aware Sequence-to-Tree Network for Math Word Problem Solving EMNLP 2020

以往的求解方法在求解问题时往往忽略文本信息以外的常识知识，并且在解码时无法捕捉远距离依赖。提出将外部知识库中的常识信息融入数学文本问题求解任务中，并提出一种用于生成数学表达式的树解码器，在每个时间步长递归地聚合已生成表达式中的节点信息。

Semantically-Aligned Universal Tree-Structured Solver for Math WordProblems EMNLP 2020

以前的方法只能处理不超过一个未知数的算术问题，缺乏一种有效的方程表示机制来处理含有多个未知量和多个方程的多目标规划问题。

Solving Math Word Problems with Multi-Encoders and Multi-Decoders COLING 2020 此前模型

只将输入/输出对象视为序列，而忽略了文本描述和方程表达式中包含的重要结构信息。提出了一个具有多编码器和多解码器的模型，该模型结合了基于序列的编码器和基于图形的编码器，以增强文本描述的表示，并通过基于序列的解码器和基于树的解码器生成不同的方程表达式。

RODA: Reverse Operation based Data Augmentation for Solving Math Word Problems TASLP 2021

此前数据集中问题形式单一，提出了基于逆向运算的数据扩充方法。

Learning by Fixing: Solving Math Word Problems with Weak Supervision AAAI 2021

以前的数学应用题(MWPs)的神经解算器是在完全监督下学习的，无法生成不同的解决方案。在本文中，我们通过引入一个弱监督范式来学习mwp来解决这个问题。

Are NLP Models really able to Solve Simple Math Word Problems IJCAL 2021

现有的MWP求解器依赖于浅启发式算法来在基准数据集上实现高性能。跟NLI一样，指出MWP模型中存在大量的捷径学习，事实上这个问题本首并没有被很好解决。并给出一个困难数据集。

Sequence to General Tree: Knowledge-Guided Geometry Word Problem Solving ACL 2021短文

求解器只生成包含基本算术运算符的二元表达式树，而不显式使用数学公式，需要使用多个运算符和常数来表示一个公式。提出了序列到一般树(S2G)，它学习生成可解释和可执行的操作树，其中的节点可以是带有任意数量参数的公式结点。（只解决几何文本问题）

Neural-Symbolic Solver for Math Word Problems with Auxiliary Tasks ACL 2021

以前的方法无法明确地结合本质数学符号约束(如常识次要条件、公式正则化)。提出编码问题的阅读器生成向量、生成符号方程的程序、获取答案的符号执行器。

Generate & Rank: A Multi-task Framework for Math Word Problems EMNLP 2021 发现

数学表达式容易出现小错误，而生成目标并没有明确地处理这些错误。设计了一个排序任务，通过生成和排序的联合训练，从自身的错误中学习，能够区分正确和错误的表达式。

An Edge-Enhanced Hierarchical Graph-to-Tree Network for Math Word Problem Solving EMNLP 2021 发现

此前方法没有仔细考虑边缘标签信息和跨句子的远程单词关系。此外，在生成过程中，他们专注于当前生成的单词中最相关的领域，而忽略了问题的其余部分。提出使用边缘增强的分层图形编码器来整合边缘标签信息。此编码器分两个步骤分层更新图形节点：句子级聚合和问题级聚合。此外，还应用了具有分注意力机构的树结构解码器来指导模型注意输入问题的不同部分。

Improving Math Word Problems with Pre-trained Knowledge andHierarchical Reasoning EMNLP 2021

此前方法大多只捕捉词级关系，而忽略了像人类一样构建层次推理来挖掘词与句子之间的语境结构。 提出了一个预训练知识和层次结构(RPKHS)网络，该网络包含一个预训练知识编码器和一个层次推理编码器，实现了词级和句子级推理的无缝集成，将实体域和上下文域连接起来。

Recall and Learn: A Memory-augmented Solver for Math Word Problems EMNLP 2021

虽然已有很好的结果报道，但上述模型都采用了基于模板的框架来解决MWPs，这种两阶段的过程可能会引入系统性的累积误差。设计了一个新的内存增强模型REAL，在解决新问题时回想起一些已经解决过的熟悉问题，并学习通过类比的方式生成相似的解决方案。