声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：11-2223/N
国际刊号：1000-0054
发布日期:
作者：张翔然, 李璐旸
单位：1. 浙江大学 工程师学院, 杭州 310015;<br>2. 北京外国语大学 信息科学技术学院, 北京 100089
关键词：事实核查,提示学习,解释生成
基金：北京外国语大学\双一流\建设科研项目（SYL2020ZX006）
针对事实核查任务中如何利用生成的解释更好地辅助真实性判断的问题， 该文提出一种融合解释的提示学习事实核查模型PromptWE。该模型在生成任务中通过证据筛选和摘要生成更易理解的解释， 然后在分类任务中将解释融合进提示学习模型的提示模板中， 从而将解释与预训练模型储备的知识相结合， 以提高真实性判别的准确率。该模型在2个数据集上的F1值比SOTA模型高5 %， 表明模型生成的解释能提升模型判别信息真假的能力。此外， 为了说明高质量的解释在分类任务中的重要性， 该文将数据集中的专家证据直接作为解释， 融合进提示模板中进行了提示学习训练， 比融合模型生成的解释的 F1值提高了16 %， 证明了高质量解释能有效激发通用语言模型在事实核查任务上的能力。
来源：2024年第5期
《清华大学学报(自然科学版)》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。