CN108228568A - 一种数学题目语义理解方法 - Google Patents

Abstract

一种数学题目语义理解方法，包括S1，对数学题目文本作预处理，使得数学题目文本规范化；S2，对数学题目文本中的数学符号和公式进行实体类型识别，并转换指示代词；S3，将数学题目文本中的长文本分割为语义完整且独立的短文本；S4，以带有标注的短文本为样本，搭建多分类神经网络模型，进行模型训练；S5，基于一阶逻辑语言所表示的数学知识类型分类结果，进行实体填补，得到完整的基于一阶逻辑语言所表示的数学知识，完成数学题目语义理解。

Description

一种数学题目语义理解方法

技术领域

本发明属于智能教学技术领域，特别涉及一种数学题目语义理解方法。

背景技术

随着人工智能技术的不断发展，深度学习与自然语言处理技术的结合使得自然语言方面有了突破性进展。教育AI方面的研究也越来越收到关注。其中，自动化解题技术是研究热门。要让计算机能够自动解题的前提便是让计算机理解题意。目前，对数学题目的语义理解，基于传统自然语言处理技术需要的工作量大，且题目信息提取效果差强人意。

发明内容

本发明的实施例提供了一种数学题目语义理解方法，目的在于，解决现有数学题目语义理解只利用传统自然语言处理技术所带来的问题。

为解决上述技术问题，本发明的实施例之一，提供一种数学题目语义理解方法，包括如下步骤：

S1：数学文本预处理，文本规范化；

S2：对数学文本中的数学符号和公式进行实体类型识别，并转换指示代词；

S3：将数学题目长文本分割为语义完整且独立的短文本；

S4：以带有标注的短文本为样本，搭建多分类神经网络模型，进行训练；

S5：基于一阶逻辑语言所表示的数学知识类型分类结果，进行实体填补，得到完整的基于一阶逻辑语言所表示的数学知识，完成数学题目语义理解。

在本发明中提到的指代消解、一阶逻辑语言具有如下解释。

指代消解，确定代词指代哪个名词，分为回指和预指。回指就是代词的先行语在代词前面，预指则是代词的先行语在代词后面。本方法指代消解的目标即替换数学文本中的代词为具体实体，将题目补充完整。

一阶逻辑语言，是一种形式化语言，也就一阶谓词逻辑，是一种抽象推理的符号工具。以逻辑谓词为中心，数学基本元素为组成要素，构成数学一阶逻辑语言。

本发明的有益效果是，本发明将深度学习技术运用于数学题目语义理解，将信息提取分解为不同的任务步骤，并创造性得将提取题目的知识表示转化为基于数学短文本的多分类任务，降低了计算机对数学语言理解的复杂度，并提高了信息提取的准确度，解决了智能答题对于语义理解的一大难关，推动深度学习在数学智能答题领域的运用。

附图说明

通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，其中：

图1是本发明实施例中一种数学题目语义理解方法的流程图。

图2是本发明实施例中型数学题目语义理解方法的实例流程框图。

具体实施方式

如图1所示，本发明的一个实施例，一种数学题目语义理解方法，包括如下步骤：

S1：数学文本预处理，文本规范化；

S2：对数学文本中的数学符号和公式进行实体类型识别，并转换指示代词；

S3：将数学题目长文本分割为语义完整且独立的短文本；

S4：以带有标注的短文本为样本，搭建多分类神经网络模型，进行训练；

S5：基于一阶逻辑语言所表示的数学知识类型分类结果，进行实体填补。

本发明的另一个实施例，一种数学题目语义理解方法，包括以下步骤：

S1，对数学题目文本作预处理，使得数学题目文本规范化；

S2，对数学题目文本中的数学符号和公式进行实体类型识别，并转换指示代词；

S3，将数学题目文本中的长文本分割为语义完整且独立的短文本；

S4，以带有标注的短文本为样本，搭建多分类神经网络模型，进行模型训练；

S5，基于一阶逻辑语言所表示的数学知识类型分类结果，进行实体填补，得到完整的基于一阶逻辑语言所表示的数学知识，完成数学题目语义理解。

所述步骤S1具体包括以下步骤：

对数学题目文本进行标准化，其中包括对数学题目文本进行清洗，去掉无意义符号或词语。

所述步骤S2具体包括以下步骤：

S21，针对数学题目文本中的数学符号和数学公式，准备人工标注好的样本，为模型训练备用；

S22，基于LSTM+crf模型进行命名实体识别，实现对新题目的实体标注；

S23，基于改进的mention-pair模型，对数学题目进行代词指代消解。

所述步骤S3具体包括以下步骤：

S31，利用2-tags标记，对待切分数学文本做标注，分别用字母“S”表示切分符号，用“N”表示非切分符号；

S32，利用CRF模型进行训练，实现对数学长文本的切割。

所述步骤S4具体包括以下步骤：

S41，基于S1-S3步骤处理后的短文本，进行一阶逻辑语言类别人工标注，准备训练样本；

S42，基于有标注训练样本，搭建多分类深度学习模型，进行模型训练。

所述步骤S4具体包括：

针对短文本中得到的一阶逻辑语言类和提取出的实体，进行实体填补，得到完整的形式化表示语言，完成该短文本信息提取。

如图2所示，是一个数学题目语义理解方法的实际例子，对该实例处理过程，包括如下步骤：

S1：对数学文本预处理，如将题目“已知圆M:{{x}^{2}}+{{y}^{2}}-2ay＝0(a>0)截直线x+y＝0所得线段的长度是2\sqrt{2}，则圆M与圆N:(x-1)^2+(y-1)^2＝1的位置关系是()”经过去latex，去空格等多余字符规范化为“已知圆M:x^2+y^2-2ay＝0(a>0)截直线x+y＝0所得线段的长度是2*sqrt{2}，则圆M与圆N:(x-1)^2+(y-1)^2＝1的位置关系是()”；

S2：对数学文本中的数学符号和公式进行实体类型识别和指代消解，例如，将图2中规范化后的题文继续处理成为：已知圆M##Circle:x^2+y^2-2ay＝0(a>0)##express截直线l_0##Line:x+y＝0##express所得线段的长度是2*sqrt{2}express，则圆M##Circle:x^2+y^2-2ay＝0(a>0)##express与圆N##Circle:(x-1)^2+(y-1)^2＝1##express的位置关系是()。

S3：将数学题目长文本分割为语义完整且独立的短文本，并根据规则对分割好的文本进行再次确认，如保证区间[2，8]，集合{x|x^2<9，x in R}是完整的。图2中，将题目长文本分割成为两个语义完整的短文本：(1)已知圆M##Circle:x^2+y^2-2ay＝0(a>0)##express截直线l_0##Line:x+y＝0##express所得线段的长度是2*sqrt{2}express；(2)则圆M##Circle:x^2+y^2-2ay＝0(a>0)##express与圆N##Circle:(x-1)^2+(y-1)^2＝1##express的位置关系是()；

S4：以带有实体标注的短文本为样本，搭建多分类神经网络模型，基于word2vec训练词向量，输入短文本序列，进行训练；

S5：基于一阶逻辑语言所表示的数学知识类型分类结果(如图2中，一阶逻辑类型分别为：(1)CircleSecantLength()；(2)PositionRelationOfCircleLine())，将短文本中提取出的实体，填补进逻辑谓词中。如果逻辑谓词和实体个数不符，则表示信息提取有误。最终得到完整的基于一阶逻辑语言所表示的数学知识，完成数学题目语义理解。图2，基于本方法，最终提取出的结果为：

(1)CircleSecantLength(Circle(M，x^2+y^2-2ay＝0(a>0))，Line(l_0，x+y＝0))；

(2)PositionRelationOfCircle(Circle(M，x^2+y^2-2ay＝0(a>0))，Circle(N，(x-1)^2+(y-1)^2＝1)，position(null))。

值得说明的是，虽然前述内容已经参考若干具体实施方式描述了本发明创造的精神和原理，但是应该理解，本发明并不限于所公开的具体实施方式，对各方面的划分也不意味着这些方面中的特征不能组合，这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。

Claims (6)

1.一种数学题目语义理解方法，其特征在于，包括以下步骤：

S1，对数学题目文本作预处理，使得数学题目文本规范化；

S2，对数学题目文本中的数学符号和公式进行实体类型识别，并转换指示代词；

S3，将数学题目文本中的长文本分割为语义完整且独立的短文本；

S4，以带有标注的短文本为样本，搭建多分类神经网络模型，进行模型训练；

S5，基于一阶逻辑语言所表示的数学知识类型分类结果，进行实体填补，得到完整的基于一阶逻辑语言所表示的数学知识，完成数学题目语义理解。

2.根据权利要求1所述的数学题目语义理解方法，其特征在于：所述步骤S1具体包括以下步骤：

对数学题目文本进行标准化，其中包括对数学题目文本进行清洗，去掉无意义符号或词语。

3.根据权利要求1所述的数学题目语义理解方法，其特征在于：所述步骤S2具体包括以下步骤：

S21，针对数学题目文本中的数学符号和数学公式，准备人工标注好的样本，为模型训练备用；

S22，基于LSTM+crf模型进行命名实体识别，实现对新题目的实体标注；

S23，基于改进的mention-pair模型，对数学题目进行代词指代消解。

4.根据权利要求1所述的数学题目语义理解方法，其特征在于：所述步骤S3具体包括以下步骤：

S31，利用2-tags标记，对待切分数学文本做标注，分别用字母“S”表示切分符号，用“N”表示非切分符号；

S32，利用CRF模型进行训练，实现对数学长文本的切割。

5.根据权利要求1所述的数学题目语义理解方法，其特征在于：所述步骤S4具体包括以下步骤：

S41，基于S1-S3步骤处理后的短文本，进行一阶逻辑语言类别人工标注，准备训练样本；

S42，基于有标注训练样本，搭建多分类深度学习模型，进行模型训练。

6.根据权利要求1所述的数学题目语义理解方法，其特征在于：所述步骤S4具体包括：

针对短文本中得到的一阶逻辑语言类和提取出的实体，进行实体填补，得到完整的形式化表示语言，完成该短文本信息提取。