摘要
事实验证系统通常依赖于神经网络分类器进行真实性预测，但这类方法缺乏可解释性。本文提出ProoFVer，该模型采用序列到序列（seq2seq）架构，生成基于自然逻辑的推理过程作为证明。这些证明由陈述（claim）与检索到的证据之间跨度（span）的词汇变换构成，每一步变换均标注有相应的自然逻辑操作符。陈述的真实性仅根据这些操作符的序列进行判定，因此生成的证明本质上是忠实的解释，这也使得ProoFVer在构建上即具备可解释性。目前，ProoFVer在FEVER基准测试中取得了最高的标签准确率，并位列第二的Score。此外，在包含反事实样本的数据集上，其性能相较次优模型提升了13.21个百分点，展现出优异的鲁棒性。作为解释机制，这些证明与人类推理路径的重合度优于基于注意力机制的高亮结果；同时，相较于直接使用证据，人类借助这些证明能更准确地预测模型决策，进一步验证了其解释价值。