DTCA：基于决策树的协同注意力网络用于可解释声明验证
计算与语言
2020-04-29 v1 人工智能
计算机与社会
社会与信息网络
摘要
近来，许多方法通过适当的神经网络从可靠来源中发现有效证据以进行可解释声明验证，已得到广泛认可。然而，这些方法中证据的发现过程不透明且缺乏解释。同时，所发现的证据仅粗略地针对声明整体的可解释性，而不足以聚焦于声明中的错误部分。本文提出一种基于决策树的协同注意力模型（DTCA）来发现证据以进行可解释声明验证。具体而言，我们首先构建基于决策树的证据模型（DTE），以透明且可解释的方式筛选高可信度评论作为证据。随后设计协同注意力自注意力网络（CaSa）使所选证据与声明交互，用于 1）训练 DTE 以确定最优决策阈值并获得更强的证据；2）利用证据定位声明中的错误部分。在 RumourEval 和 PHEME 两个公开数据集上的实验表明，DTCA 不仅为声明验证结果提供解释，还取得了最先进的性能，F1 分数分别提升 3.11% 和 2.41%。
引用
@article{arxiv.2004.13455,
title = {DTCA: Decision Tree-based Co-Attention Networks for Explainable Claim Verification},
author = {Lianwei Wu and Yuan Rao and Yongqiang Zhao and Hao Liang and Ambreen Nazir},
journal= {arXiv preprint arXiv:2004.13455},
year = {2020}
}
备注
ACL 2020