面向可控自然语言推理：基于词汇推理类型的方法
计算与语言
2024-11-26 v2
摘要
可解释自然语言推理旨在提供一种机制，以产生解释性（溯因）推理链，将主张立足于其支撑前提。近期一个名为 EntailmentBank 的语料库致力于通过用蕴含树解释问题答案来推进该任务 \cite{dalvi2021explaining}。他们采用 T5 模型直接生成该树，能够解释答案是如何被推断出的。然而，它缺乏解释和控制中间步骤生成的能力，而这对多跳推理过程至关重要。在本工作中，我们专注于提出一种用于多前提解释性推理的可控自然语言推理架构。为改进控制并实现生成过程的解释性分析，我们基于抽象语义表示（AMR）图定义词汇推理类型，并修改 T5 的架构以学习受该类型信息约束的潜在句子表示（T5 瓶颈）。我们还提供了一个约 5000 条标注解释性推理步骤的数据集，带有良好基础的词汇-符号操作。实验结果表明，在 T5 瓶颈处诱导的推理类型可帮助 T5 在显式控制下生成结论。
引用
@article{arxiv.2308.03581,
title = {Towards Controllable Natural Language Inference through Lexical Inference Types},
author = {Yingji Zhang and Danilo S. Carvalho and Ian Pratt-Hartmann and Andre Freitas},
journal= {arXiv preprint arXiv:2308.03581},
year = {2024}
}