公开(公告)号：CN115511082A

公开(公告)日：2022-12-23

申请号：CN202211085132.X

申请日：2022-09-06

Applicant: 东南大学

Inventor： 杨鹏 ,  赵广振 ,  查显宇 ,  姚雨 ,  戈妍妍

IPC: G06N5/04 ,  G06N3/04 ,  G06N3/08 ,  G06N20/00 ,  G06F16/81

Abstract: 本发明公开了一种基于图神经网络和强化学习的事实验证方法，能够验证语料库中陈述语句和表格型数据中的事实是否相符，基于Transformer的图神经网络来模拟多步推理过程，步骤如下：首先，通过图神经网络将不同类型的边编码为独立的向量，并利用自注意力机制对提取的多粒度特征进行邻居信息聚合，然后，设计一个监控节点，根据强化学习的奖励反馈，在每个图神经网络层上选择合适的证据词，通过对多个图神经网络层的信息聚合，监控节点可捕获各种潜在的关键证据，进行最终验证。最后，为了更加有效地学习聚集的证据信息，本发明利用Transformer设计了能够更加充分利用表格中证据信息的多步推理框架，提高事实验证模型的准确性。

公开(公告)号：CN118428367A

公开(公告)日：2024-08-02

申请号：CN202410542638.1

申请日：2024-04-30

Applicant: 东南大学

Inventor： 杨鹏 ,  查显宇 ,  林茜 ,  杨冬梅

IPC: G06F40/295 ,  G06F40/284 ,  G06N3/0442 ,  G06F40/194

Abstract: 本发明公开了面向中文表格型数据的证据检索方法，构建中文表格型数据证据检索数据集；利用命名实体识别技术将陈述转换为图结构，在图中融入陈述的关键信息；利用模板化方法进行表格的线性化，在表格的序列化表示中融入结构特征；通用预训练语言模型RoBERTa初始化陈述和表格的特征；利用图注意力网络对陈述的特征进行强化，捕捉关键信息；将得到的陈述特征和表格特征采用相似度计算后进行排序，从而根据给定的陈述寻找出最相关的表格。本发明使用通用预训练语言模型RoBERTa初始化陈述和表格的特征，高效地提取陈述和表格的特征，并采用图神经网络和循环神经网络增加对陈述和表格特征的理解，提高了证据检索的准确率，具有准确率高、计算资源需求低的特点。