摘要
强健的算术应用题（AWP）求解在教育场景中非常重要，因为问题描述可能包含变化的数值、改写的描述或无关的干扰信息。尽管大型语言模型（LLMs）在解决AWP方面表现出很强的潜力，但它们的推理过程仍可能对表面形式的变化和由扰动引起的噪声敏感。为了解决这个问题，本文提出了一种场景感知的神经符号求解器，旨在提高AWP求解在扰动下的鲁棒性。该方法通过在场景、关系和符号求解层面引入针对扰动的机制来扩展现有的场景感知框架。首先，通过“场景链”（CoS）提示策略生成候选场景，然后通过目标引导的过滤保留与目标相关和起桥梁作用的场景，同时移除干扰性场景。保留的场景随后由场景感知的句法-语义方法处理，以提取显性和隐性关系，并应用关系一致性检查来移除局部合理但全局无关的关系。最后，符号求解器对过滤后的关系集进行迭代方程推理，当标准求解无法产生与目标兼容的答案时，会激活备用恢复机制。在AGG、MAWPS和GSM8K数据集上的实验显示，平均准确率为92.8%。在GSM-Perturb和AWP-Perturb数据集上，求解器的准确率分别为80.8%和87.5%，鲁棒性分别下降了8.3%和6.8%。消融实验表明，场景过滤和关系一致性检查是减少扰动引起的错误的主要因素。这些发现表明，将基于LLM的场景理解与符号关系推理相结合是提高评估扰动环境下AWP求解器鲁棒性和可解释性的一个有前景的方向。
