摘要
如果两个句子具有相同的语义，那么它们在推理属性上应当是等价的，即彼此之间应具有文本蕴含关系（textual entailment）。然而，目前广泛使用的许多释义（paraphrase）数据集，其判断标准主要依赖于词汇重叠和句法结构的相似性。我们能否改用一种更注重句子推理属性的方法来识别释义，从而减少对词汇和句法相似性的过度依赖？针对这一问题，我们引入了对抗性范式，并提出一种全新的对抗性数据集构建方法——对抗性释义任务（Adversarial Paraphrasing Task, APT）。该任务要求参与者生成在语义上等价（即相互蕴含）但词汇和句法结构差异显著的释义句对。这些句对可用于测试释义识别模型——现有模型在此类数据上仅能取得接近随机水平的准确率，同时也为模型的性能提升提供了训练基础。为加速数据集生成，我们进一步探索了基于T5模型的自动化实现方案，结果表明，自动生成的对抗性释义数据集同样能有效提升模型性能。本文讨论了该方法对释义检测任务的深远影响，并公开发布所构建的数据集，旨在推动释义检测模型更准确地识别句子层面的语义等价性。