几十年来的研究历史显示应用题机器求解是机器解答的一个难点问题,相关研究对于智能教育具有重要的理论意义和实际应用价值。随着深度学习和大数据技术的快速发展,数据驱动的深度学习方法日益成为其研究的主流范式。然而在现阶段,对于小学应用题机器解答研究,依然缺乏数据有效完整、类型清晰的高质量海量测试数据集,和针对性的数据分析工具,严重影响了相关深度学习模型的准确评估和高效率设计。基于以上分析,本研究面向小学应用题机器求解算法测试评估平台系统设计,针对其中的数据有效性和完整性判别、面向小学数学应用题表征聚类分析、数据可视化三项关键技术展开研究。具体研究内容包括:（1）面向小学数学应用题文本数据有效性和完整性判别。尽管当前大多数数据清洗算法可以识别文本中的非法字符、重复数据和停用词等信息,然而这些算法无法从语义层面确保数据有效性和完整性以至于需要耗费大量人力来鉴别数据文本是否为有效的应用题,以及表述是否完整。因此,如何从语义层面确保数据有效性和完整性是本文第一个研究重点。（2）面向小学数学应用题表征聚类分析。应用题在表述层面具有多样性,但如果涉及相同的数学模型,则为同一类型的题目。而对不同类型的应用题的解题能力是评估机器求解算法的重要指标。尽管当前可以使用词向量表示题目文本,然而词向量表示的是词的语义信息,简单使用词向量表示题目文本无法有效揭示应用题内含的数学关系。因此,面向小学数学应用题表征聚类分析是论文的第二个研究重点。（3）面向小学数学应用题的数据分析可视化工具。数据可视化技术能够使我们快速的发现数据中包含的模式和规律,是相当高效的数据分析方法。然而,机器求解算法会生成海量的、多维度的数据,现有的数据可视化工具ECharts、D3等无法解决数据维度问题。因此如何解决数据维度问题是论文的最后一个研究重点。论文创新点:1、论文提出了一种句法语义模型来对源数据进行数据有效性和完整性检测和处理,该模型根据题目文本与知识库中知识点的映射关系,提取题目中所包含的等式关系来判别文本数据有效性与完整性。论文在Math23K数据集中的实验结果表明,该模型对有效完整的数学应用题目和纯数字运算题的识别准确率达到100%,对不完整数据识别准确率达到93%,证明了该模型的有效性。2、论文提出了一种题目文本向量化的新方法,即将数学知识库进行向量化,用向量化的数学知识点表示题目文本。然后通过聚类算法对向量化的数学题目进行聚类,并根据聚类结果表示应用题类型,以此作为一个重要指标来评估机器求解算法的解题能力。论文在公开可用的Math23K数据集上进行了实验证明了所提出方法的有效性。3、在面向小学数学应用题的数据分析可视化工具中,针对机器求解算法生成的海量的、多维度的数据,集成了t-SNE算法进行数据降维。研究人员在进行数据可视化过程中,面对高维数据不再需要单独进行数据降维等预处理操作,增加了研究人员进行数据分析的效率。