图引导的文本解释生成框架
计算与语言
2025-03-21 v3
摘要
自然语言解释（NLEs）通常用于以合理的自由文本解释模型对其预测的推理。然而，近期研究对其忠实性提出了质疑，因为它们可能无法准确反映模型关于其预测答案的内部推理过程。相比之下，高亮解释——即对模型预测答案至关重要的输入片段——展现出可量化的忠实性。在此基础之上，我们提出了 G-Tex，一个图引导的文本解释生成框架，旨在增强 NLEs 的忠实性。具体而言，首先将高亮解释提取为反映模型向答案预测推理逻辑的忠实线索。随后通过图神经网络层对其进行编码以引导 NLE 生成，从而使生成的解释与模型向预测答案的潜在推理过程相对齐。在三个推理数据集上使用 T5 和 BART 的实验表明，与基线方法相比，G-Tex 将 NLE 的忠实性提高了最多 12.18%。此外，G-Tex 生成的 NLE 在语义和词汇相似性上更接近人类撰写的解释。人类评估表明，G-Tex 能够减少冗余内容并提升 NLE 的整体质量。我们的工作提出了一种明确引导 NLE 生成以增强忠实性的新方法，为解决 NLE 和生成文本中更广泛的标准奠定了基础。
引用
@article{arxiv.2412.12318,
title = {Graph-Guided Textual Explanation Generation Framework},
author = {Shuzhou Yuan and Jingyi Sun and Ran Zhang and Michael Färber and Steffen Eger and Pepa Atanasova and Isabelle Augenstein},
journal= {arXiv preprint arXiv:2412.12318},
year = {2025}
}