语言:

• 英语 缩略图: https://cogcomp.seas.upenn.edu/images/logo.png 标签:
• 文本分类
• BART
• XSUM 许可证: cc-by-sa-4.0 数据集:
• XSUM 小部件示例:
• 文本: " 潘基文于2007年当选连任第二任期。 潘基文于2011年6月21日以无反对且全票通过的方式，被联合国大会再次选举连任第二任期。"
• 文本: " 潘基文于2011年当选连任第二任期。 潘基文于2011年6月21日以无反对且全票通过的方式，被联合国大会再次选举连任第二任期。"

忠实摘要检测器（BART版）

模型简介

这是一个基于BART（基础版）训练的模型，用于判断摘要是否忠实于原文。详情请参阅我们在NAACL'21发表的论文。

使用方法

输入需将摘要与原文拼接（注意摘要需作为首句）。

以下是使用示例（基于PyTorch）：

from transformers import AutoTokenizer, AutoModelForSequenceClassification
  
tokenizer = AutoTokenizer.from_pretrained("CogComp/bart-faithful-summary-detector")
model = AutoModelForSequenceClassification.from_pretrained("CogComp/bart-faithful-summary-detector")

article = "潘基文于2011年6月21日以无反对且全票通过的方式，被联合国大会再次选举连任第二任期。"

错误摘要 = "潘基文于2007年当选连任第二任期。"
正确摘要 = "潘基文于2011年当选连任第二任期。"

错误组合 = tokenizer(text=错误摘要, text_pair=article, return_tensors='pt')
正确组合 = tokenizer(text=正确摘要, text_pair=article, return_tensors='pt')

错误评分 = model(**错误组合)
正确评分 = model(**正确组合)

print(正确评分[0][:, 1] > 错误评分[0][:, 1]) # 输出True，标签映射："0"->"虚构内容" "1"->"忠实内容"

引用信息

@inproceedings{CZSR21,
    author = {陈思浩 and 张凡 and Kazoo Sone and 丹·罗斯},
    title = {{通过对比候选生成与选择提升抽象摘要的忠实性}},
    booktitle = {北美计算语言学协会年会},
    year = {2021}
}