license: mit
pipeline_tag: text-classification

Roberta事实核查模型

Roberta事实核查模型是基于Roberta架构的深度学习文本分类模型，旨在根据提供的证据将断言分类为"支持"或"反驳"。

模型训练

该模型使用Adam优化器进行训练，学习率为2-4e，epsilon值为1-8，权重衰减为2-8e。训练数据集主要包含FEVER和Hover数据集，以及少量人工创建的数据样本。

输入与输出

模型接收一个断言及相应证据作为输入，返回表示证据支持或反驳该断言的标签。可能的两种标签为：

• 0：支持
• 1：反驳

使用方法

使用Roberta事实核查模型时，只需将断言和证据作为输入传递给模型，即可获得证据支持或反驳断言的标签。该模型可集成到各类事实核查和虚假信息检测应用中。

import torch  
from transformers import RobertaTokenizer, RobertaForSequenceClassification  

# 加载分词器和模型  
tokenizer = RobertaTokenizer.from_pretrained('Dzeniks/roberta-fact-check')  
model = RobertaForSequenceClassification.from_pretrained('Dzeniks/roberta-fact-check')  

# 定义待分类的断言及证据  
claim = "阿尔伯特·爱因斯坦从事计算机科学领域工作"  
evidence = "阿尔伯特·爱因斯坦是德裔理论物理学家，被公认为有史以来最伟大、最具影响力的物理学家之一。"  

# 对断言和证据进行分词处理  
x = tokenizer.encode_plus(claim, evidence, return_tensors="pt")  

model.eval()  
with torch.no_grad():  
  prediction = model(**x)  

label = torch.argmax(prediction[0]).item()  

print(f"标签: {label}")  

致谢

本模型使用Hugging Face transformers库开发，并在FEVER和Hover数据集上训练。我们感谢这些数据集开发者对社区的贡献。

免责声明

尽管Roberta事实核查模型已在大型数据集上训练且能在多数情况下提供准确结果，但其输出并非始终正确。用户基于任何机器学习模型的输出做决策时都应保持谨慎。