Incorporating Graph Attention Mechanism into Geometric Problem Solving Based on Deep Reinforcement Learning

在在线教育的背景下，设计一个自动求解几何问题的求解器被认为是通向通用数学人工智能的关键一步，它可以通过自然语言理解和传统逻辑推理的方式来完成。在大多数情况下，问题是通过添加辅助组件，如线条或点来解决的。然而，由于需要做出关键决策，因此自动添加辅助组件是具有挑战性的，特别是在选择合适的辅助组件方面。目前，最先进的性能是通过从类别库中耗尽所有可能的策略来识别具有最大可能性的策略来实现的。但是，为了提高效率，必须应用广泛的策略搜索来换取准确性。为了自动且高效地添加辅助组件，我们提出了一种基于语言模型（如BERT）的深度强化学习框架。我们首先应用图形注意机制来减少策略搜索空间，称为AttnStrategy，它仅关注与结论相关的组件。同时，我们提出了一种名为A3C-RL的新算法，通过强制代理选择顶部策略来集成AttnStrategy和BERT作为记忆组件。广泛实验的结果表明，与传统的MCTS相比，所提出的A3C-RL算法可以将平均精度提高32.7％。此外，A3C-RL算法在中国高考数学试题中的表现也优于人类。

自动添加几何问题辅助元素的深度强化学习框架

使用基于语言模型的图注意机制和深度强化学习框架A3C-RL，自动添加几何问题的辅助元素

实验结果显示，相比传统的MCTS方法，A3C-RL算法的平均准确率提高了32.7%；A3C-RL算法在中国高考数学试题上的表现超过了人类；

近期的相关研究还有：《基于深度学习的几何问题求解方法研究》、《基于深度学习的数学问题求解方法研究》等。