DeFactoNLP：基于实体识别、TFIDF向量比较与可分解注意力的真实性核验
人工智能
2018-09-10 v1 计算与语言
信息检索
摘要
在本文中，我们描述了为 FEVER 2018 共享任务设计的系统 DeFactoNLP。该任务旨在构思一个系统，不仅能自动评估声明的真实性，还能从维基百科中检索支持该评估的证据。在我们的方法中，词频-逆文档频率（TFIDF）向量与声明向量最相似的维基百科文档，以及其名称与声明中提及的命名实体（NEs）名称相似的文档，被识别为可能包含证据的文档。这些文档中的句子随后被输入到一个文本蕴含识别模块。该模块计算每句话支持声明、反驳声明或不提供任何相关信息以评估声明真实性的概率。最终，使用这些概率计算出的各种特征被一个随机森林（Random Forest）分类器用于确定声明的整体真实性。支持该分类的句子作为证据返回。我们的方法取得了 0.4277 的证据 F1 分数、0.5136 的标签准确率和 0.3833 的 FEVER 分数。
引用
@article{arxiv.1809.00509,
title = {DeFactoNLP: Fact Verification using Entity Recognition, TFIDF Vector Comparison and Decomposable Attention},
author = {Aniketh Janardhan Reddy and Gil Rocha and Diego Esteves},
journal= {arXiv preprint arXiv:1809.00509},
year = {2018}
}