面向事实验证的无监督问答方法
计算与语言
2019-10-17 v1
摘要
最近的深度学习（DL）模型已在各种自然语言任务上成功达到人类水平的准确率，例如问答、自然语言推理（NLI）和文本蕴含。这些任务不仅需要上下文知识，还需要推理能力才能高效解决。在本文中，我们针对一项类似任务——事实验证，提出了一种基于无监督问答的方法。我们通过掩蔽声明中提供的命名实体，将 FEVER 数据集转换为完形填空任务。为了预测答案词元，我们利用了预训练的基于变换器的双向编码器表示（BERT）。分类器根据正确回答的问题和一个阈值来计算标签。目前，该分类器能够将声明分类为“支持”和“需人工复核”。该方法在转换后数据集的开发集上达到了 80.2% 的标签准确率，在测试集上达到了 80.25%。
引用
@article{arxiv.1910.07154,
title = {Unsupervised Question Answering for Fact-Checking},
author = {Mayank Jobanputra},
journal= {arXiv preprint arXiv:1910.07154},
year = {2019}
}
备注
FEVER - 19 (EMNLP)