通过声明生成实现零样本事实核查
计算与语言
2021-06-01 v1 人工智能
摘要
得益于大规模人工标注数据集的可用性，用于自动事实核查的神经模型已取得令人瞩目的结果。然而，对于每一个需要事实核查的新领域，通过手动撰写声明并将其链接到支撑证据来创建数据集的成本高昂。我们开发了 QACG，一个通过利用从 Wikipedia 证据中自动生成的可被支持、反驳或无法核实的声明来训练鲁棒事实核查模型的框架。QACG 从证据中生成问答对，然后将其转换为不同类型的声明。在 FEVER 数据集上的实验表明，我们的 QACG 框架显著减少了对人工标注训练数据的需求。在零样本场景下，QACG 将 RoBERTa 模型的 F1 从 50% 提升至 77%，性能等同于 2K+ 人工整理的样本。我们的 QACG 代码已公开可用。
引用
@article{arxiv.2105.14682,
title = {Zero-shot Fact Verification by Claim Generation},
author = {Liangming Pan and Wenhu Chen and Wenhan Xiong and Min-Yen Kan and William Yang Wang},
journal= {arXiv preprint arXiv:2105.14682},
year = {2021}
}
备注
ACL-IJCNLP 2021 (main conference, short paper)