Grow-and-Clip：面向答案解释的信息丰富且简洁的证据蒸馏
计算与语言
2022-01-17 v2
摘要
解释现有问答（QA）模型的预测对于许多现实世界的智能应用（如医疗、教育和金融领域的 QA 系统）至关重要。然而，现有的 QA 模型缺乏可解释性，且未向最终用户提供任何反馈或解释以帮助他们理解为何特定预测是某个问题的答案。在本研究中，我们认为答案的证据对于增强 QA 模型的可解释性至关重要。与以往仅提取上下文中若干句子作为证据的研究不同，我们首次明确将证据定义为上下文中具有信息性、简洁性和可读性的支持事实。此外，我们提供了有效策略来定量衡量证据的信息性、简洁性和可读性。进一步地，我们提出了 Grow-and-Clip Evidence Distillation (GCED) 算法，通过权衡信息性、简洁性和可读性从上下文中提取证据。我们在 SQuAD 和 TriviaQA 数据集上使用若干基线模型进行了大量实验，以评估 GCED 在解释问题答案方面的效果。同时进行了人工评估以检查蒸馏证据的质量。实验结果表明，自动蒸馏的证据具有类人的信息性、简洁性和可读性，能够增强问题答案的可解释性。
引用
@article{arxiv.2201.05088,
title = {Grow-and-Clip: Informative-yet-Concise Evidence Distillation for Answer Explanation},
author = {Yuyan Chen and Yanghua Xiao and Bang Liu},
journal= {arXiv preprint arXiv:2201.05088},
year = {2022}
}
备注
Accepted to ICDE 2022 (Research Track)