R$^2$F：一种用于文档级自然语言推理的通用检索、阅读与融合框架
计算与语言
2022-10-25 v1
摘要
文档级自然语言推理（DOCNLI）是自然语言处理中一项新的具有挑战性的任务，旨在判断一对假设与前提文档之间的蕴含关系。当前的数据集与基线方法很大程度上遵循句子级设定，但未能解决更长文档所带来的问题。本文中，我们通过分析 DOCNLI 的主要挑战——可解释性、长距离依赖和跨句推理，建立了一个通用解决方案，称为检索、阅读与融合（R2F）框架，以及一种新的设定。该框架的基本思想是将文档级任务简化为一组句子级任务，并借助证据的力量同时提升性能与可解释性。对于每条假设句，框架从前提中检索证据句，并阅读以估计其可信度。然后将句子级结果融合以判断文档间关系。对于该设定，我们贡献了假设句上的补充证据与蕴含标签标注，用于可解释性研究。实验结果表明，R2F 框架能取得最先进的（SOTA）性能，并对多种证据检索方法具有鲁棒性。此外，它能给出更具可解释性的预测结果。我们的模型与代码发布于 https://github.com/phoenixsecularbird/R2F。
引用
@article{arxiv.2210.12328,
title = {R$^2$F: A General Retrieval, Reading and Fusion Framework for Document-level Natural Language Inference},
author = {Hao Wang and Yixin Cao and Yangguang Li and Zhen Huang and Kun Wang and Jing Shao},
journal= {arXiv preprint arXiv:2210.12328},
year = {2022}
}
备注
Accepted at EMNLP 2022