面向抽取式摘要模型的事实错误修正
计算与语言
2021-04-05 v2 人工智能
摘要
神经抽象式摘要系统已取得可喜进展，这得益于大规模数据集的可用性和以自监督方法预训练的模型。然而，确保抽象式摘要系统所生成摘要的事实一致性是一项挑战。我们提出一个后编辑修正模块，通过识别并纠正生成摘要中的事实错误来解决该问题。该神经修正模型在人工构建的示例上预训练，这些示例通过对参考摘要施加一系列启发式变换而创建。这些变换受到对最先进摘要模型输出的错误分析的启发。实验结果表明，我们的模型能够纠正其他神经摘要模型生成摘要中的事实错误，并在 CNN/DailyMail 数据集的事实一致性评估上优于先前模型。我们还发现，从人工错误修正迁移到下游设定仍然非常具有挑战性。
引用
@article{arxiv.2010.08712,
title = {Factual Error Correction for Abstractive Summarization Models},
author = {Meng Cao and Yue Dong and Jiapeng Wu and Jackie Chi Kit Cheung},
journal= {arXiv preprint arXiv:2010.08712},
year = {2021}
}