在机器学习领域,符号推理在过去几十年相较深度学习并没有取得很大的进展,研究者们相信如果将二者结合起来或许会有帮助,二者结合的关键是神经网络需要正确提取表达式的表征。表征学习是机器学习领域的一个重要的组成部分,它的目的是将原始数据转化为能够被计算机更加高效利用的形式,表征学习将采集到的数据进行处理,最后输出为高维表示（一般使用向量的形式进行表示）。主要研究内容:1)研究了数学表达式与语言文字之间的不同,数学表达式的表征学习是表征学习下的分支,数学表达式表征学习与通常的自然语言理解中的表征学习有所区别,例如数学表达式相较于语言文字其语法上的约束更少,意味着数学表达式相较于语言文字有着更加庞大的组合空间,即同样的字符数量,数学表达式比语言文字存在更多的组合。除此之外,数学表达式还存在更多的语法不同但是语义相同的情况,例如（a+b）（a-b）和a~2-b~2这两个表达式虽然在语法层面有着很大的差距,但是所表达的数学语义却是相同的,所以这两个式子在表征空间中的映射的距离应该尽可能靠近甚至重合;再比如另一种情况,表达式a和-a,这两个式子的数学语义完全相反,所以这两个式子在表征空间中的映射的距离应该尽可能远。这些情况在语言文字中也存在,但是在数学表达式中更为常见。2)研究了自然语言处理领域中,各种模型方法之间的优缺点,在EQNET模型提出的等价原理基础上设计了新的模型EQNET-L,该模型的准确率指标上较EQNET有较大优势,在一些测试集中可以达到99%的准确率。3)研究了数学表达式的表征向量可能的应用场景,比如可以应用到公式发现、符号推理以及推荐系统。