通过 RST 增强图融合与可解释性预测的跨文档跨语言 NLI
计算与语言
2025-10-08 v3 人工智能
摘要
自然语言推理（NLI）是自然语言处理中的一项基本任务。虽然 NLI 已经发展出许多子方向，如句子级 NLI、文档级 NLI 和跨语言 NLI，但跨文档跨语言 NLI（CDCL-NLI）在很大程度上仍未得到探索。在本文中，我们提出了一种新的范式：CDCL-NLI，它将传统的 NLI 能力扩展到多文档、多语言场景。为支持此任务，我们构建了一个高质量的 CDCL-NLI 数据集，包含 25,410 个实例，涵盖 26 种语言。为解决先前方法在 CDCL-NLI 任务上的局限性，我们进一步提出了一种创新方法，将 RST 增强图融合与可解释性感知预测相结合。我们的方法利用异构图神经网络中的修辞结构理论（RST）进行跨文档上下文建模，并采用基于词汇链的结构感知语义对齐进行跨语言理解。对于 NLI 可解释性，我们开发了一个基于 EDU（基本话语单元）级别的归因框架，生成抽取式解释。大量实验证明了我们方法的优越性能，在传统 NLI 模型和大型语言模型上都取得了显著改进。我们的工作为 NLI 研究提供了新的视角，并将引发对跨文档跨语言上下文理解、幻觉消除和可解释性推理的研究兴趣。我们的代码和数据集可在“https://github.com/Leonardo123-ui/CDCL_NLI”获取，以供同行评审。
引用
@article{arxiv.2504.12324,
title = {Cross-Document Cross-Lingual NLI via RST-Enhanced Graph Fusion and Interpretability Prediction},
author = {Mengying Yuan and Wenhao Wang and Zixuan Wang and Yujie Huang and Kangli Wei and Fei Li and Chong Teng and Donghong Ji},
journal= {arXiv preprint arXiv:2504.12324},
year = {2025}
}
备注
EMNLP 2025 Main (Camera Ready)