在由粗到细机制下对事实进行评级
计算与语言
2021-07-15 v2
摘要
将捏造假新闻作为政治武器之崛起已成为全球关切，并凸显了人工事实核查难以应对快速产出的假新闻之无能。因此，若我们要高效解决此问题，就需要统计方法。公开可用数据集的匮乏是自动化事实核查的主要瓶颈之一。为此，我们从 PolitiFact 收集了 24K 条人工评级的声明。如表 1 所示，类别值在真实性方面呈现出自然顺序。因此，由于类间存在不同程度相似性，我们的任务代表了标准分类的一种变体。为研究此问题，我们定义了由粗到细的分类机制，这为分类带来了新挑战。为此，我们提出基于 BERT 的模型。训练后，类相似性在多类数据集上表现合理，尤其在细粒度数据集上。在所有机制下，BERT 均达到了最先进水平（SOTA），而附加层带来的提升微不足道。
引用
@article{arxiv.2107.06051,
title = {Rating Facts under Coarse-to-fine Regimes},
author = {Guojun Wu},
journal= {arXiv preprint arXiv:2107.06051},
year = {2021}
}