Nov, 2023
AMRFact: 使用 AMR 驱动的训练数据生成方法增强摘要事实性评估
AMRFact: Enhancing Summarization Factuality Evaluation with AMR-driven Training Data Generation
Haoyi Qiu, Kung-Hsiang Huang, Jingnong Qu, Nanyun Peng
TL;DR通过将正确摘要解析为 AMR 图并注入有控制的事实不一致性来生成负样本,AMRFact 提出了一种新的框架,使得能够以高错误类型覆盖率生成连贯的事实不一致摘要,从而在抽象化摘要中评估事实性方面表现出明显的优势。