基于实体检索的摘要式摘要事实错误校正
计算与语言
2022-04-19 v1
摘要
尽管利用大规模数据集和预训练语言模型的摘要式摘要系统近期取得了进展，摘要的事实正确性仍然不足。缓解该问题的一类尝试是引入后编辑过程，以检测并纠正摘要中的事实错误。在构建此类后编辑系统时，强烈要求：1) 过程具有高成功率和可解释性；2) 具有较快的运行速度。先前的方法侧重于使用自回归模型对摘要进行再生，缺乏可解释性且需要较高的计算资源。本文提出一种高效的基于实体检索后编辑过程的事实错误校正系统 RFEC。RFEC 首先通过将原文档中的句子与目标摘要进行比较，从中检索证据句，该方法大幅减少了系统需分析的文本长度。接着，RFEC 通过考量证据句检测摘要中的实体级错误，并将错误实体替换为来自证据句的正确实体。实验结果表明，我们提出的错误校正系统在以更快速度纠正事实错误方面，表现出比基线方法更具竞争力的性能。
引用
@article{arxiv.2204.08263,
title = {Factual Error Correction for Abstractive Summaries Using Entity Retrieval},
author = {Hwanhee Lee and Cheoneum Park and Seunghyun Yoon and Trung Bui and Franck Dernoncourt and Juae Kim and Kyomin Jung},
journal= {arXiv preprint arXiv:2204.08263},
year = {2022}
}
备注
6 pages, 3 figures