Jun, 2024

FactGenius：结合零 - shot 提示和模糊关系挖掘提高知识图谱事实验证

PDF
TL;DRFactGenius 是一种结合零 - shot 大语言模型和模糊文本匹配的创新方法，通过使用来自维基百科的结构化链接数据集 DBpedia，利用相似性度量来提高大语言模型生成的连接的准确性，经过 FactKG 基准数据集的评估验证其在事实验证方面显著优于现有基准水平的性能，特别是在使用 RoBERTa 作为分类器进行微调时，采用过滤和验证连接的两阶段方法表现出卓越的性能，在各种推理类型中确立了 FactGenius 作为强大事实核查工具的前景。
fact-checkingnatural language processingknowledge graphsdbpediafact verification
发现论文，激发创造
  • 基于语义三元组和知识图谱的零 - shot 事实检查

    本文提出了一种新的零射击方法，将声称和证据句子转化为语义三元组并使用大型语言模型进行自然语言推理，从而在没有特定训练数据的敌对数据集和领域中广义推广，在 FEVER、FEVER-Symmetric、FEVER 2.0 和 Climate-FEVER 数据集上优于先前的零射击方法，同时在敌对和异域数据集上与监督模型相当甚至更好。

    Dec, 2023

  • FactKG: 通过知识图谱推理进行事实验证

    介绍了一个名为 FactKG 的新数据集，该数据集包含 108k 个自然语言声明及其相关类型的推理，旨在通过推理知识图谱来进行事实验证，并开发了基于这些推理类型的基线方法，以提高知识图谱的可靠性和实用性。

    May, 2023

  • 生成零样本科学事实检查的科学主张

    本文提出了科学申明生成任务，旨在从科学句子中生成一个或多个原子可验证主张，并证明其在生物医学声称的零 - shot 事实检查中的有效性，提出了以下三种方法 CLAIMGEN-BART、KBIN 和 CLAIMGEN-ENTITY，其在事实检查上表现良好。

    Mar, 2022

  • 通过声明生成进行零射击事实验证

    使用 Wikipedia 自动产生问题 - 答案对，生成不同类型的声明的 QACG 框架可以训练一个强健的事实验证模型，实验结果表明，在零样本情况下，QACG 能够将 RoBERTa 模型的 F1 从 50％提高到 77％，并且等效于 2000 多个手动筛选的例子。

    May, 2021

  • ComFact: 上下文常识知识链接基准

    本研究提出新的任务 —— 通识事实连接，并构建了一个新的基准数据集 ComFact，结果表明启发式事实连接方法是不精确的知识提取器，而学习型事实连接模型则明显改善了下游任务表现。

    Oct, 2022

  • 用迭代零样本 LLM 触发知识图谱构建

    本文提出了一种基于生成式语言模型的知识图谱生成方法，通过迭代提示和零样本学习等策略解决了知识图谱构建中的一些核心问题，具有可扩展性和广泛适应性。

    Jul, 2023

  • 2022 年 Factify 比赛中的 GPTs：基于提示的事实验证

    对抗虚假新闻，提出了基于 PLM 和 Prompt-based learning 的两种方法，均采用文本数据，结果表明该方法比仅微调 PLMs 更优。

    Jun, 2022

  • 基于语义层面图的事实核查推理

    本文提出了一种适合推理证据语义结构的方法，并结合预训练模型和图卷积网络、图注意力网络来提高事实核查的准确性，实验证明丰富的结构信息对事实核查有所帮助，并且所提出的模型在官方评测中均获得了最佳表现。

    Sep, 2019

  • FactKB：使用增强事实知识的语言模型进行可泛化事实性评估

    文章提出了一种新的事实评估方法 FactKB，该方法使用基于预先抽取的实体知识的语言模型，以达到跨领域的通用性并解决现有模型在新领域中存在的实体和关系错误问题。通过在两个领域内的新闻汇总测试数据和三个跨领域的科学文献数据上测试，FactKB 的事实性评估模型达到了最先进的性能水平，并表现出在摘要中检测错误实体和关系的能力显著提高，从而进一步证明其在领域通用性和鲁棒性方面的特点。

    May, 2023

  • 利用大型语言模型从知识图谱进行零样本自然语言生成

    本文使用大型语言模型进行预训练生成知识图谱到文本的零样本生成，虽然表现接近最先进水平，但不同情况下有不同结果，并发现语言模型已有的知识与输出文本的质量有显著关联。

    Jul, 2023