EMNLPOct, 2023

QACHECK: 一个针对问题引导的多跳事实核查的演示系统

PDF
TL;DR提出了问题引导的多跳事实核查（QACHECK）系统，它通过问一系列对验证主张至关重要的问题来指导模型的推理过程。QACHECK 具有五个关键模块：主张验证器，问题生成器，问答模块，问答校验器和推理器。用户可以将主张输入 QACHECK，它然后预测其真实性并提供一个全面的报告，详细介绍了其推理过程，由一系列的（问题，答案）对引导。QACHECK 还提供支持每个问题的证据来源，促进透明，可解释和用户友好的事实核查过程。
发现论文，激发创造
  • 通过问答实现的基于 5W 方面的事实验证

    本文提出了一个基于 5W 问答的可解释性事实验证框架，使用语义角色标记系统定位 5W 并生成 QA 对，我们获得了一个半自动生成的 FACTIFY-5WQA 数据集，并提出了一个基线 QA 系统自动定位从证据文件中的答案。最后，我们提出了一个强大的事实验证系统，可以对改写的声明进行自动验证。

    May, 2023

  • 从简单到困难：用于多跳问答的两阶段选择器和阅读器

    本研究提出了一种名为 FE2H 的简单而有效的多跳问答（QA）框架，其采用迭代式文档选择和渐进式学习策略，分阶段进行文档选择和阅读，并在单跳 QA 数据集中训练 QA 读取器，成功应用于 HotpotQA 数据集，并在百分之六十七点一的准确率上超过现有的其他 QA 方法。

    May, 2022

  • 询问以理解：多跳问答问题生成

    本文提出了一种基于问题生成的新型多跳问答方法，通过精心设计端到端的 QG 模块，在上下文理解中提出内在逻辑子问题，从而继承了 QD 方法的可解释性并表现出较高的性能。实验证明，我们提出的 QG 模块是有效的，在流畅性、一致性和多样性方面优于 QD 方法，并获得了人工评估的定量可解释性。

    Mar, 2022

  • 构建用于全面评估推理步骤的多跳问答数据集

    本研究创建了一个名为 2WikiMultiHopQA 的新的多跳问题回答数据集，使用结构化和非结构化数据生成问题 - 答案对，并提供包含推理路径的证据信息以提供预测的全面解释并评估模型推理技能。通过实验，我们证明了我们的数据集对于多跳模型来说具有挑战性，并确保需要使用多跳推理。

    Nov, 2020

  • QA4QG：使用问答技术约束多跳问题生成

    本研究提出了一种 QA4QG 方法，通过加入多次问答（QA）模块来限制生成问题。实验结果显示，QA4QG 在 HotpotQA 数据集上优于所有先前报告的最佳结果。

    Feb, 2022

  • 规模化多跳阅读理解的认知图

    本文提出了一种新的 CogQA 框架，用于在 Web 规模文件中进行多跳问题回答。该框架通过协调隐式提取模块（系统 1）和显式推理模块（系统 2）逐步构建认知图。我们的实现基于 BERT 和图神经网络，可高效地处理 HotpotQA fullwiki 数据集中的数百万文档，从而实现在榜单上的胜利。

    May, 2019

  • 生成式多跳问答任务的常识推理

    通过提出一种选择基于概念网络的常识信息和一种选择性门控的多头注意力机制，本文提出了一种生成式模型，用于解决阅读理解 QA 任务中的多跳关系抽取问题，并在 NarrativeQA 数据集上创造新的最先进结果。

    Sep, 2018

  • 文本数据库中的图遍历检索和推理

    本文提出了 Graph-Hop 多链式及多跳式检索和推理范式，建立了新的 Benchmark ReasonGraphQA 来支持可解释的推理，论证其在推理多样性和规模方面的优势，并在现有证据检索和推理模型上进行了彻底的评估。

    May, 2023

  • 强化多任务方法用于多跳问题生成

    使用多任务学习和强化学习的方法，通过支持事实的多次跳转生成相关问题，相比于单次跳转模型，我们的模型在 HotPotQA 数据集上表现更好（同时在自动评估指标如 BLEU、METEOR 和 ROUGE 以及人工评估指标中都有着更高的质量和覆盖率）。

    Apr, 2020

  • 用于可解释性多跳科学问题回答的动态语义图构建和推理

    提出一种基于抽象意义表示（AMR）的语义图构建方法及推理模型，能够有效地检索更多有效的知识事实以填补知识空白，并在多次推理过程中提高推理透明度。该模型在两个科学多次问答数据集中得到了最新成果，包括那些使用附加知识图谱的方法，在保持 OpenBookQA 高可解释性的同时，实现了 ARC-Challenge 新的最佳结果。

    May, 2021