摘要的一个常见问题是文章中事实信息的失真或捏造。摘要和原文之间的这种不一致引起了对其适用性的各种关切。在这篇文章中,我们提出通过知识的融合来提高总结的事实正确性,即从文章中提取事实关系。我们提出了一个事实感知的摘要模型FASum。该模型通过神经图计算将知识信息有机地集成到摘要生成过程中,有效地提高了事实的正确性。实验结果表明,在独立训练的事实正确性评估者和人工评估下,与最先进的摘要摘要系统相比,FASum生成的摘要具有更高的事实正确性。例如,在CNN/DailyMail数据集中,FASum的事实正确性得分比UniLM高1.2%,比BottomUp高4.5%。

成为VIP会员查看完整内容
17

相关内容

【SIGIR2020-微软】知识图谱上的增强推荐推理
专知会员服务
72+阅读 · 2020年5月30日
【IJCAI2020-CMU】结构注意力的神经抽象摘要
专知会员服务
21+阅读 · 2020年4月23日
干货 | ACL 2019 知识图谱的全方位总结
THU数据派
14+阅读 · 2019年8月17日
论文浅尝 | DKN: 面向新闻推荐的深度知识感知网络
开放知识图谱
21+阅读 · 2019年5月1日
论文浅尝 | 端到端神经视觉问答之上的显式推理
开放知识图谱
7+阅读 · 2018年6月28日
卷积神经网络(CNN)融合PMF模型构建推荐系统
数据挖掘入门与实战
7+阅读 · 2018年4月12日
Arxiv
6+阅读 · 2018年2月8日
VIP会员
相关主题
相关VIP内容
【SIGIR2020-微软】知识图谱上的增强推荐推理
专知会员服务
72+阅读 · 2020年5月30日
【IJCAI2020-CMU】结构注意力的神经抽象摘要
专知会员服务
21+阅读 · 2020年4月23日
微信扫码咨询专知VIP会员