基于面向前提的数据增强的思维路径对比学习用于逻辑阅读理解

逻辑阅读理解是一项具有挑战性的任务，需要掌握文本的底层语义并应用推理来推导出正确答案。先前的研究主要集中在通过思维链或数据增强来增强逻辑推理能力。然而，先前构建思维链推理依据的工作仅集中于分析正确选项，忽略了错误的备选项。此外，早期通过修改上下文进行数据增强的努力依赖于基于规则的方法，这导致生成的上下文缺乏多样性和连贯性。为了解决这些问题，我们提出了一种面向前提的数据增强(PODA)框架。该框架可以生成包含对正确和错误选项分析的 CoT 推理依据，同时从错误的候选选项中构建多样且高质量的反事实上下文。我们将总结前提和识别每个选项的前提整合到推理依据中。随后，我们使用带有已识别前提的多步提示来构建反事实上下文。为了促进模型更好地区分与每个选项相关的推理过程的能力，我们引入了一种新颖的思维路径对比学习方法，该方法比较原始样本和反事实样本之间的推理路径。在三个代表性 LLM 上的实验结果表明，我们的方法可以在两个具有挑战性的逻辑推理基准（ReClor 和 LogiQA 2.0）上大幅改进基线。数据和代码发布于 https://github.com/lalalamdbf/TPReasoner。