إن التحقق من الحقائق يُعد مهمة صعبة، لأن التحقق من صحة الادعاء يتطلب استنتاجًا مبنيًا على أدلة قابلة للاسترجاع بعدة طرق. في هذا العمل، نقدم طريقة مناسبة لاستنتاج البنية على المستوى الدلالي للأدلة. على عكس معظم الدراسات السابقة التي تمثل جمل الأدلة إما باستخدام تسلسل النصوص أو دمج ميزات جمل الأدلة بشكل منفصل، فإن نهجنا يعمل على الهياكل الدلالية الغنية التي تُستخلص من خلال تسمية أدوار الدلالة (Semantic Role Labeling). ونُقدِّم آلتين لاستغلال البنية الهيكلية للأدلة مع الاستفادة من التطورات التي حققتها النماذج المُدرَّبة مسبقًا مثل BERT أو GPT أو XLNet. بشكل محدد، وباستخدام XLNet كأساس للنظام، نستخدم أولاً البنية الرسومية لإعادة تعريف المسافات النسبية بين الكلمات، بناءً على الفكرة القائلة بأن الكلمات ذات العلاقة الدلالية يجب أن تكون قريبة من بعضها البعض. ثم نطبّق شبكة تقوية الرسوم البيانية (Graph Convolutional Network) وشبكة الانتباه الرسومية (Graph Attention Network) لنقل ودمج المعلومات من العقد المجاورة على الرسم البياني. وقد قُمنا بتقييم نظامنا على مجموعة بيانات FEVER، وهي مجموعة بيانات معيارية للتحقق من الحقائق، ووجدنا أن المعلومات الهيكلية الغنية مفيدة، وأن كلا آلتي الرسوم البيانية تحسّنان من الدقة. ويُعد نموذجنا النظام الأفضل في مجاله من حيث المعايير الرسمية للتقييم، وهي دقة التحقق من الادعاء ودرجة FEVER.