FIZZ：通过摘要放大与文档缩小的事实不一致性检测
计算与语言
2024-10-03 v3
摘要
通过预训练语言模型的出现，抽象式摘要系统取得了显著进展。同时，大量用于评估抽象式摘要系统事实一致性的新方法也被开发出来。但这些评估方法存在重大局限性，尤其是在细化和可解释性方面。在这项工作中，我们提出了一种高效且可解释的事实不一致性检测方法——基于细粒度原子事实分解的摘要放大与文档缩小的事实不一致性检测（FIZZ），用于抽象式摘要系统。此外，我们通过自适应粒度扩展将摘要中分解出的原子事实与源文档对齐。这些原子事实代表了更细粒度的信息单元，有助于详细理解摘要的事实不一致性并提高可解释性。实验结果表明，我们提出的事实一致性检查系统显著优于现有系统。
引用
@article{arxiv.2404.11184,
title = {FIZZ: Factual Inconsistency Detection by Zoom-in Summary and Zoom-out Document},
author = {Joonho Yang and Seunghyun Yoon and Byeongjeong Kim and Hwanhee Lee},
journal= {arXiv preprint arXiv:2404.11184},
year = {2024}
}
备注
Published as a main conference paper at EMNLP 2024