用于文本摘要模型事实正确性的对抗性自然语言推理
计算与语言
2020-05-26 v1 机器学习
摘要
我们应用对抗性自然语言推理数据集来训练NLI模型，并证明该模型具有提升抽象式摘要事实正确性的潜力。我们遵循Falke等人（2019）的工作，该工作基于源文档与摘要之间的蕴含概率对多个生成的摘要进行排序，并选择蕴含概率最高的摘要。作者早期的研究结论是，当前的NLI模型对于该排序任务不够准确。我们表明，在新数据集上微调的Transformer模型取得了显著更高的准确率，并具有选择连贯摘要的潜力。
引用
@article{arxiv.2005.11739,
title = {Adversarial NLI for Factual Correctness in Text Summarisation Models},
author = {Mario Barrantes and Benedikt Herudek and Richard Wang},
journal= {arXiv preprint arXiv:2005.11739},
year = {2020}
}