EMNLP 2021 | 基于证据检索和图神经验证网络的表格事实验证模型

面向表格的事实验证任务的主要目的是根据给定的表格来判断自然语言输入的正确性。如图1所示，不同于其他形式的事实验证系统，表格事实验证任务需要对表格中单元格之间的逻辑关系进行推理，例如“机队数量（number in fleet）最小的所对应的底盘制造商（chassis manufacturer）是斯堪尼亚（scania）”，带有逻辑操作（如“argmax”、”count”）的符号推理在这一任务中起到了非常重要的作用。现有的方法多采用从表格数据中派生出的可执行的逻辑表达式来加强对表格数据的理解。具体来说，这些方法利用弱监督语义解析器为每个候选的逻辑表达式打分，然后选择其中的一个或几个来加强事实验证过程。然而，对于一个逻辑表达式来说，我们只能知道其执行结果和自然语言输入是否一致（label-consistent），而无法判断二者之间是否语义一致（semantic-consistent），故语义解析器中缺少带有有监督标签的逻辑表达式（弱监督语义解析器），从而倾向于选择标签一致的逻辑表达式而不是语义一致的逻辑表达式（伪程序，具有正确返回标签的错误程序），从而不利于对自然语言正确性的验证。理想状态下，利用逻辑表达式的一种相对自然的方式是将它们视为表格的补充证据。换句话说，一些逻辑表达式中包含着必要的逻辑操作，从而可以对表格中观测到的事实进行总结与描述，利用逻辑表达式传达的信息可以更好的理解表格，从而提升表格事实验证任务的性能。本文提出了一种简单有效的范式，利用自动化的方式获取表格中的证据来加强对表格数据的理解，并通过基于图神经网络的方法来对获取到的证据进行建模，在大规模数据集TabFact的实验结果证明了我们提出的方法的有效性。