基于记忆增强关键句匹配的文章重排序以检测既往事实核查声明

已被事实核查过的虚假声明仍可能在社交媒体上传播。为缓解其持续扩散，检测既往事实核查声明不可或缺。给定一条声明，现有工作侧重于通过对 BM25 检索到的候选事实核查文章（FC-articles）进行重排序来为检测提供证据。然而，这些性能可能受限，因为它们忽略了 FC-articles 的以下特征：（1）声明常被引用以描述被核查事件，从而提供除语义之外的词汇信息；（2）用于引入或揭批声明的句子模板在文章间普遍存在，从而提供模式信息。忽略这两方面的模型仅利用语义相关性，并可能被描述相似但无关事件的句子误导。本文提出一种新颖的重排序器 MTM（Memory-enhanced Transformers for Matching，用于匹配的记忆增强 Transformer），利用通过事件（词汇与语义）和模式信息筛选出的关键句对 FC-articles 进行排序。对于事件信息，我们提出一种以 ROUGE 回归微调的 ROUGE 引导 Transformer。对于模式信息，我们生成模式向量用于与句子匹配。通过融合事件与模式信息，我们筛选关键句以表示一篇文章，进而利用声明、关键句与模式预测该文章是否对给定声明进行了事实核查。在两个真实世界数据集上的实验表明 MTM 优于现有方法。人工评估证明 MTM 能够捕捉用于解释的关键句。代码与数据集见 https://github.com/ICTMCG/MTM。