基于语义级图的推理用于事实核查

事实核查是一项具有挑战性的任务，因为验证一个陈述的真实性需要对多个可获取的证据进行推理。在本工作中，我们提出了一种适用于推理证据语义层级结构的方法。与以往大多数方法通常采用字符串拼接或独立证据句特征融合的方式来表示证据句子不同，我们的方法基于语义角色标注（Semantic Role Labeling, SRL）获取的丰富语义结构来处理证据。我们提出了两种机制，在充分利用BERT、GPT或XLNet等预训练模型优势的同时，有效挖掘证据的结构信息。具体而言，以XLNet作为主干模型，我们首先利用图结构重新定义词语之间的相对距离，其核心思想是语义相关的词语应具有较短的距离。随后，我们引入图卷积网络（Graph Convolutional Network, GCN）和图注意力网络（Graph Attention Network, GAT），在图结构上实现信息的传播与聚合。我们在FEVER这一事实核查基准数据集上对系统进行了评估，结果表明，丰富的结构化信息确实有助于提升性能，且我们提出的两种基于图的机制均显著提高了准确率。在官方评估指标——陈述验证准确率与FEVER得分方面，我们的模型均达到了当前最优水平，成为该任务的最先进系统。