Oct, 2020

摘要生成模型的事实错误更正

PDF
TL;DR本研究提出了一种后处理校正模块来解决神经抽象汇总系统的事实一致性问题，该模块采用预训练的神经校正模型，能够识别和修正所生成的摘要中的事实错误，并在 CNN / DailyMail 数据集上表现出比先前模型更好的事实一致性的评估结果。
neural abstractive summarizationfactual consistencypost-editing correctorpre-trained modelscnn/dailymail dataset
发现论文，激发创造
  • 通过后期编辑和语言模型填充纠正抽象摘要中的多样化事实错误

    本文提出使用语言模型生产更加具有代表性的无事实描述样例，训练出更加强大和鲁棒的基于事实更正的模型对生成的摘要进行错误更正提高摘要的事实一致性。

    Oct, 2022

  • 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

  • 通过实体检索进行抽象摘要的事实错误矫正

    本文提出了一种基于实体检索的高效事实错误纠正系统 RFEC，通过检索证据句子来缩短系统分析的文本长度，从而检测摘要中的实体级别错误并替换错误的实体，实验证明我们提出的错误纠正系统比基线方法具有更具竞争力的性能和更快的速度。

    Apr, 2022

  • 主题摘要中的细粒度事实注释及建模

    研究表明，目前预训练的抽象摘要系统在性能上已经取得了可信的表现，但其输出的摘要常常与输入不符合并存在事实错误。作者探讨了综合和人工标注数据，用于训练模型来识别摘要中的事实错误，并研究了单词、依赖和句子级别的事实性。通过对多个数据集的实验观察，作者认为人工标注的细粒度数据提供了更有效的训练信号，并证明了他们的最佳事实性检测模型能够识别训练数据中的非事实标记，从而使得训练更为准确的抽象摘要模型成为可能。

    Apr, 2021

  • 理解摘要中的事实错误：错误，摘要生成器，数据集和错误检测器

    研究了摘要系统在制作摘要时出现的事实性错误，并比较了不同技术和数据集上的效果，并取得了一些新的结果：使用预训练模型的现代数据集显示结果显著不同于使用 pre-Transformer 的旧数据集，没有一种技术在所有情况下都是优秀的。

    May, 2022

  • 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

  • 优化摘要的事实准确性：放射学报告摘要研究

    该研究提出了一个基于强化学习的训练策略，通过信息提取模块评估生成摘要的事实正确性，以优化称述的正确性。在将该策略应用于放射学摘要中时，得到的摘要输出在事实正确性和整体质量方面均优于竞争的神经网络摘要系统。

    Nov, 2019

  • 通过数据提炼和条件生成填空改进抽象摘要的事实错误修正

    提出一种基于条件生成填空任务的新型事实错误修正模型 FactCloze，通过多维度评估生成更忠实的摘要数据集 SummDSC，实验证实了该方法的有效性，相比基线方法，在多个事实一致性指标上有所改进。

    Feb, 2024

  • 抽象文本摘要中的事实不一致问题：一项调查

    研究表明，使用神经编码器 - 解码器模型等抽象方法能够更好的进行生成摘要，但是由于摘要的抽象性较高，导致文章中存在失真和伪造的问题，因此当前的研究主要集中在设计新的评估算法和开发新的摘要系统以解决这一问题。本文综合评述了这些基于事实的评估方法和文本摘要模型。

    Apr, 2021

  • 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