EMNLPOct, 2020

为网络主张生成事实核查摘要

PDF
TL;DRSUMO 是一种基于神经注意力机制的方法，可以通过文本证据（如新闻文章或 Web 文档）来确定文本声明的正确性。SUMO 可以通过呈现来自文档的多样化句子并解释其在文本声明正确性方面的决策，生成提取式摘要。相较于传统的单纯文本素材计算机制，SUMO 使用了改进的声明和标题指导的分层注意机制来模拟有效的上下文线索。在政治、医疗和环境领域的测试数据集上展示了我们方法的有效性。
发现论文，激发创造
  • 利用抽象提取技术进行事实核查声明检测

    在社交媒体如此发达的时代，我们提出了一个新的流程，其中部分自动化事实检查的生命周期可以节省人力和高认知任务。我们的方法是利用抽象摘要生成简洁的查询，这些查询可以在基于现有已核查实事的数据集的检索系统中执行。通过使用现有的摘要模型进行微调和开箱既食的摘要模型，我们获得了具有更好的检索表现，检索准确率提高了 3 倍，而基于原文查询的准确率仅为 10％。

    Sep, 2022

  • AttSum: 神经注意力机制的聚焦和摘要联合学习

    AttSum 是一种新的自动学习分布式表示和应用注意力机制的查询聚焦式文本摘要系统，并在标准基准数据集上取得了较好的性能。

    Apr, 2016

  • 评估抽象文本摘要的事实一致性

    该研究提出了一种弱监督、基于模型的方法来验证摘要的事实一致性，并鉴别来源文献和生成的摘要之间的冲突。

    Oct, 2019

  • 忠于原始：事实感知的神经网络抽象摘要

    提出了一种基于句法和信息提取的双重注意序列到序列框架，该框架旨在解决抽象汇总中存在的虚假事实问题，并使生成的汇总同时具有信息丰富性和语义准确性。

    Nov, 2017

  • 基于证据的事实核查的多级注意力模型

    提供一种可以在序列结构上进行训练的模型，通过不同层次的句间注意力和联合训练来有效捕捉主张和证据之间的关系，结果表明可以优于基于图结构的方法达到更好的验证精度和 FEVER 得分

    Jun, 2021

  • 基于神经注意力机制的摘要句子生成模型

    本文提出了一种基于数据驱动的、对抽象句子的局部关注模型进行生成式摘要的方法，通过训练大规模数据，该模型相比较于几种强基线模型在 DUC-2004 共享任务中表现了显著的性能提升。

    Sep, 2015

  • 提高抽象摘要的事实一致性

    文章提出了一种基于事实感知的自动摘要模型 FASum，通过图注意力来提取和整合摘要生成过程中的事实关系，并设计了一个名为 FC 的事实校正模型来自动纠正现有系统生成摘要中的事实错误。实证结果表明，基于事实感知的自动摘要可以生成具有更高事实一致性的抽象摘要，并且纠错模型通过只修改少量关键词就可以提高给定摘要的事实一致性。

    Mar, 2020

  • 基于句子和单词提取的神经摘要

    论文提出了一种基于神经网络和连续句子特征的数据驱动型抽取式摘要方法，采用层级文档编码器和基于注意力机制的提取器的通用框架，能够训练不同的摘要模型（提取句子或单词），在大规模语料库上进行实验结果表明，该方法在不需要语言注解的情况下取得了与现有技术相当的效果。

    Mar, 2016

  • 抽象文本摘要的多因素校正

    本论文提出了一种名为 Span-Fact 的技术，通过单一或多重遮盖策略，利用问题解答模型从系统生成的摘要中选择语义上一致且保留形式结构的实体，从而提高了系统生成的摘要的事实一致性和质量。

    Oct, 2020

  • 文档级主张提取与脱离背景化以进行事实核查

    我们提出了一种用于事实检查的文档级索取索赔的方法，旨在从文档中提取值得检查的要求，并将它们解除背景以便在任何环境下理解。使用自动评估指标和事实检查专业人员的评估结果表明，我们的方法比以前的工作更准确地从文档中提取出有价值的索赔，并改善了证据的检索。

    Jun, 2024