(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210978505.X (22)申请日 2022.08.16 (65)同一申请的已公布的文献号 申请公布号 CN 115049062 A (43)申请公布日 2022.09.13 (73)专利权人 中国科学技术大学 地址 230026 安徽省合肥市包河区金寨路 96号 (72)发明人 陈恩红　黄振亚　刘嘉聿　刘淇　 林鑫　 (74)专利代理 机构 北京凯特来知识产权代理有 限公司 1 1260 专利代理师 郑立明　韩珂 (51)Int.Cl. G06N 5/04(2006.01) G06N 5/02(2006.01) G06F 16/36(2019.01) G06F 40/205(2020.01)G06F 40/295(2020.01) G06F 40/30(2020.01) (56)对比文件 CN 112613323 A,2021.04.0 6 CN 111340661 A,2020.0 6.26 CN 111340661 A,2020.0 6.26 黄振亚.面向个性 化学习的数据 挖掘方法与 应用研究. 《中国博士学位 论文全文数据库 信息 科技辑》 .2021, 王松.基于数字相关特 征的文字 应用题自动 求解模型研究. 《中国优秀硕士学位 论文全文数 据库 社会科 学Ⅱ辑》 .2020, Xin Lin et al. .Hms:A hierarc hical solver with dependency-enhanced understandi ng for math w ord peoblem. 《Proceeding of the A AAI Conference o n Artificial I ntelligence》 .2021, 审查员 刘婉莹 (54)发明名称 一种基于知识学习的数学应用题智能解题 方法及系统 (57)摘要 本发明公开了一种基于知识学习的数学应 用题智能解题方法及系统， 将数学知识学习过程 与应用题 求解过程有机耦合， 以助于在改善学习 得到的知识质量的同时提高问题 求解能力。 相关 方案中： 设计了认知框架与知识学习过程， 构建 了更接近通用型人工智能 目标的智能系统， 系统 可以作为一种通用框架， 融合多种机器学习任 务， 为实现强人工智能提供了一定的基础； 并且， 建立了引入知识学习的数学应用题 求解方法， 有 助于提高应用题求解的准确性与可解释性。 同 时， 学习到的数学知识具有一定的实际应用价 值， 可以作为众多机器学习任务的先验信息改善 任务表现， 也可进一步辅助教育平台搭建知 识图 谱， 并基于此提供 更好的个性 化教育服 务。 权利要求书7页 说明书18页 附图3页 CN 115049062 B 2022.12.30 CN 115049062 B 1.一种基于知识学习的数 学应用题智能解题方法， 其特 征在于， 包括： 训练阶段： 利用数学应用题数据构建训练数据集， 数学应用题数据包括： 数学应用题文 本与对应表达式； 构建智能解题系统， 其包括两个子系统， 分别称为大脑系统与手臂系统； 基于信息加工理论， 在两个子系统中建立包含知识储存、 知识应用与知识更新的三循环认 知过程， 大脑系统负责知识储存与知识更新两个认知过程， 手臂系统负责知识应用一个认 知过程； 手臂系统的输入为训练数据集中的数学应用题文本以及大脑系统中储存的知识， 通过知识应用认知过程预测数学应用题文本对应的表达式； 基于预测的表达式与相应数学 应用题文本对应表达式之 间的差异构建总的训练损失函数， 大脑系统根据总的训练损失函 数进行知识更新认知过程， 更新后的知识存 储于大脑系统完成知识储 存认知过程； 测试阶段： 将待求解的数学应用题文本输入至训练后的智能解题系统， 由手臂系统结 合大脑系统中储存的知识， 通过知识应用认知过程预测所述待求解的数学应用题文本对应 的表达式， 通过表达式获得解题结果； 所述手臂系统 的输入为训练数据集中的数学应用题文本以及大脑系统中储存的知识， 通过知识应用认知过程预测数 学应用题文本对应的表达式包括： 所述手臂系统根据数学应用题文本从大脑系统中储存的语义知识中获取对应的语义 信息序列， 并根据数学应用题文本对应的语义信息序列获得数学应用题文本的初始文本表 征序列与初始目标表征； 其中， 所述语义知识包括： 词语的语义向量与运算符的语义向量； 初始目标表征为整个数 学应用题的初始 表征； 所述手臂系统利用初始文本表征序列与初始目标表征， 结合从大脑系统中储存的关系 知识与规则知识通过迭代的推理步骤预测出数学应用题文本对应的表达式， 推理步骤包 括： 当前推理步骤中， 利用上一推理步骤的文本表征序列、 上一推理步骤生成的当前推理 步骤的目标表征， 以及从大脑系统中储存的知识中获取 的关系知识， 通过上下文感知的方 式获得当前推理步骤的文本表征序列， 并结合当前推理步骤的目标表征， 预测当前推理步 骤的符号， 其中， 关系知识包括： 词语与词语的关系， 以及词语与运算符的关系； 若 预测出的 当前推理步骤的符号为设定的终止符号， 则表示推理步骤结束； 若预测出 的当前推理步骤 的符号不为设定的终止符号， 则基于当前推理步骤的文本表征序列、 当前推理步骤的目标 表征、 以及预测出的当前推理步骤的符号， 生 成下一推理步骤的目标表征， 并利用大脑系统 中储存的规则知识进行约束， 之后进入下一推理步骤； 其中， 所述规则知识为数学知识， 属 于先验知识， 如果当前推理步骤为第一次推理步骤， 则上一推理步骤的文本表征序列为所 述初始文本表征序列， 上一推理步骤生成的当前推理步骤的目标表征为所述初始目标表 征。 2.根据权利要求1所述的一种基于知识学习的数学应用题智能解题方法， 其特征在于， 所述手臂系统根据数学应用题文本从大脑系统中储存的语义知识中获取对应的语义信息 序列， 并根据数学应用题文本对应的语义信息序列获得数学应用题文本的初始文本表征序 列与初始目标表征包括： 所述手臂系统中的编码器根据数学应用题文本从大脑系统中储存的语义知识中获取 对应的语义信息序列， 所述语义信息序列包括词语的语义向量序列 权　利　要　求　书 1/7 页 2 CN 115049062 B 2与运算符的语义向量序列 ； 其中，wi表示词语 i的语义向量， i=1,2,…,n， n表示数学应用题文本中词语数目， 词语包含数学应用题文本中单词， 以及将数学应用题文 本中数值映射得到的单词； oc表示运算符 c的语义向量， c=1,2,…,M，M表示数学应用题领域 涉及运算符的总数； 所述手臂系统中的编码器对所述词语的语义向量序列 进行处理， 获 得初始词语表征序列 ， 并利用初始词语表征序列获得初始目标表征 q1， 将运算符的语义向量序列 作为初始运算符表征序列 ； 其中， 表示词语i的初始词语表征， 表示运算符 c的初始运算符表征； 初始词语表征序 列与初始运 算符表征序列构成初始文本表征序列。 3.根据权利要求1所述的一种基于知识学习的数学应用题智能解题方法， 其特征在于， 所述迭代的推理步骤通过所述手臂系统中的解码 器实现； 所述解码 器包括： 问题图谱、 上下 文感知模块、 符号预测模块与交换模块； 其中： 所述问题图谱， 用于组织上一推理步骤结束后获得的信息， 问题图谱定义为 ， 其中， 表示当前推理步骤 t中， 利用上一推理步骤结束后获得的信息构建 的问题图谱； V表示节点集合， 包括： 文本表征与目标表征， 所述文本表征包括词语表征与运 算符表征； E表示边集合， 包括： 词语与词语的关系， 词语与运算符的关系， 同一子句内词语 之间的依存语法关系， 以及词语与目标的关系； 第一次推理步骤时， 词语与词语的关系以及 词语与运算符的关系均为大脑系统中储存关系知识； 其中， 同一子句内词语之间的依存语 法关系通过语法工具获取， 词语与目标 的关系通过层次注意力机制 计算， 包括每个词语与 目标表征的关系； 所述上下文感知模块， 用于将上下文信息引入问题图谱， 通过上下文感知的方式获得 当前推理步骤的文本表征序列， 所述文本表征序列包括词语表征序列 与运算符表征序列； 所述符号预测模块， 用于通过当前推理步骤的文本表征序列以及 当前推理步骤的目标 表征预测当前推理步骤的符号； 所述交换模块， 用于基于当前推理步骤的文本表征序列、 当前推理步骤的目标表征、 以 及预测出 的当前推理步骤的符号， 生成下一推理步骤的目标表征， 并利用大脑系统中储存 的规则知识进行约束。 4.根据权利要求3所述的一种基于知识学习的数学应用题智能解题方法， 其特征在于， 所述通过上下文感知的方式获得当前推理步骤的文本表征序列包括： 所有词语均各自通过上下文感知的方式获得当前推理步骤 t的词语表征， 构成当前推 理步骤t的词语表征序列； 所有运算符均各自通过上下文感知的方式获得当前推理步骤 t的 运算符表征， 构成当前推理步骤 t的运算符表征序列； 由当前推理步骤 t的词语表征序列与 当前推理步骤 t的运算符表征序列构成当前推理步骤 t的文本表征序列； 其中： 对于词语 i， 通过上下文感知的方式获得当前推理步骤 t的词语表征 的方式表示 为： 权　利　要　求　书 2/7 页 3 CN 115049062 B 3