利用事实 - 模板分解减少实体摘要中的幻觉
计算与语言
2024-03-01 v1
摘要
实体摘要旨在基于一组相关的互联网文档生成给定实体的连贯描述。预训练语言模型 (PLMs) 在此任务中取得了显著成功，但它们可能会产生幻觉，即生成关于该实体的非事实信息。为解决这一问题，我们将摘要分解为两个组成部分：事实（代表关于给定实体的事实信息，PLMs 倾向于捏造此类信息）和模板（包含用于填充事实的指定槽位的通用内容，PLMs 能够胜任此类内容的生成）。基于事实 - 模板分解，我们提出了 SlotSum，一个用于实体摘要的可解释框架。SlotSum 首先创建模板，然后基于输入文档为每个模板槽位预测事实。得益于我们的事实 - 模板分解，SlotSum 可以轻松定位错误，并利用外部知识进一步修正幻觉预测。我们构建了一个新的数据集 WikiFactSum 以评估 SlotSum 的性能。实验结果表明，SlotSum 能够利用可信的外部知识生成事实性显著更强的摘要。
引用
@article{arxiv.2402.18873,
title = {Reducing Hallucinations in Entity Abstract Summarization with Facts-Template Decomposition},
author = {Fangwei Zhu and Peiyi Wang and Zhifang Sui},
journal= {arXiv preprint arXiv:2402.18873},
year = {2024}
}