Insight & target problem

需要细粒度的比较内容的能力
因此提出了一个两阶段的模型

Solution

第一个贡献

第一个阶段，用摘要去原文找支持的句子
第二个阶段，对支持的句子和摘要计算相关
第三个阶段，合并每一个分块的分数

第一个阶段用TFIDF查询
第二个计算用Cross Attention，分别获得Evidence和Claim的表示，然后在文本长度上做Attention
这个时候用各种pooling技术，可以放缩表示，最后用MLP计算一个Evidence对summary的相关分

第三个阶段合并分数，这个时候可以直接用min，max，avg。也可以用weight的方法
就是把Evidence和claim的头部CLS向量作为一个整体表示，可以计算一个相关分数对整体的贡献

有点像下雨有多个因素，每一个因素有概率，然后乘上每一个因素对下雨的贡献，就可以整合出下雨的概率

第二个贡献

第二个贡献就是构造一个数据集
把Refernce取一个句子出来，做Noise Transformation，另外一个比较有意思的方法，对于一个claim和Document的pair，我找到和Claim最相关的document的部分，然后我删除，就可以得到一个不受Document支持的一个负例pair

第三个贡献

用了对比学习的方法，来帮助模型区分正例和负例

Highlight

Others