IMCI：融合多视角上下文信息的事实抽取与验证
计算与语言
2022-08-31 v1
摘要
随着自动假新闻检测技术的快速发展，事实抽取与验证（FEVER）正受到越来越多的关注。该任务旨在从数百万篇开放域维基百科文档中抽取最相关的事实证据，进而验证对应声明的可信度。尽管已有若干强模型被提出并在该任务上取得重大进展，我们认为它们未能利用多视角上下文信息，因而无法获得更优性能。本文中，我们提出融合多视角上下文信息（IMCI）用于事实抽取与验证。对于每条证据句，我们定义两类上下文，即文档内上下文与文档间上下文。文档内上下文由文档标题及同一文档中所有其他句子组成；文档间上下文由所有可能来自不同文档的其他证据组成。随后我们融合多视角上下文信息对证据句进行编码以处理该任务。在 FEVER 1.0 共享任务上的实验结果表明，我们的 IMCI 框架在事实抽取与验证上均取得重大进展，并以在线盲测集上 72.97% 的 FEVER 得分和 75.84% 的标签准确率达到最先进（SOTA）性能。我们还进行了消融实验以探究多视角上下文信息的影响。我们的代码将发布于 https://github.com/phoenixsecularbird/IMCI。
引用
@article{arxiv.2208.14001,
title = {IMCI: Integrate Multi-view Contextual Information for Fact Extraction and Verification},
author = {Hao Wang and Yangguang Li and Zhen Huang and Yong Dou},
journal= {arXiv preprint arXiv:2208.14001},
year = {2022}
}
备注
Accepted by COLING 2022