论文阅读Claim Verification虚假消息验证

这篇文章是发表在2021年ACL上的，主要从认知的角度 Collective and Individual Cognition (CICD) 提出了Dual-view model解决Claim Verification任务。

分以下部分介绍：

最近的工作都是直接构造claim（C）和 Personal response（R）之间的关联关系。但是考虑到不同的个体的回复，传递的是不同个体视角下的信息。

然而个体的信息总是会带有一定的偏置，并不能很好的反映客观事实。

在这篇文章当中，我们提出一个模型，它是基于合作个体认知理论去对 claim verification进行解释。包括局部的证据信息和全局的证据信息。

研究意义

文章在introduction部分首先说明了claim verification的重要性，比如说疫情期间有很多的这个谣言，怎么去对这个网络上迅速传播的一些声明去进行验证，是一个很关键的问题。

相关工作

接着说明当前的方法主要分为两类：

第1类是依赖于传统的机器学习和深度学习的方法去捕获语义，情感。书写风格等等。但是这种方法很难去做一些合理的解释，对于结果。

第2种方法是为了解决上述提到的问题，很多的研究者会聚焦，在可解释性上，主要是在声明和每一个用户的表达之间去建立一个交互模型。包含相似，矛盾或者中立。

出发点

但是考虑到个体的一个视角或者声明，并不能够很好的反映一些客观的事实。如果只用这些对应的个人的声明去做下游任务，表现会较差。作者在这个地方举了一个例子，说不仅仅蚊子会传播热血症（？），然后空气中可能也会传播。

接着存在一些用户个人（Local）的一些回复，然后可以发现这些用户之间的回复其实都是带有一些主观性，那么如何从这些所有的用户去挖掘一个他们集体的视角（Global）是一个比较重要的挑战，在这个地方作者就算是引出了本文的一个研究目标。

解决方案

为了解决这个问题，作者提出了一个联合的CICD模型，同时还提出了一个损失函数，基于KL散度拟合全局的证据和局部的证据。

这个地方把全局的证据概率分布当做是真实事件的概率，局部的证据概率分布当做是拟和全局证据的分布。

模型部分的话其实比较简单，主要是包括以下几个模块。

每个模块所运用到的方法也是一些现有的方法。

输入: 包括所有用户评论的串联和声明，这一部分的输入会通过CED模块，

目的: 是为了获取全局的证据信息。

这个地方包含一个编码器和一个解码器，在编码器部分包含词级别的信息以及句子级别的信息，通过使用attention的操作来过滤掉和声明不相关的个体的回复。得到不同层次的语义信息之后，将这两部分的语音信息进行融合在进行解码生成对应的generated sequence。这些向量用来表示全局证据当中丰富的语义信息，即 G G G。

输入：每个个体的回复和声明作为输入 目的：是为了捕获这些单个个体之间的局部信息。

通过selected mechanism选择Top K的article。再通过一个协同注意力网络对这些article进行交互，得到最终的local evidence fragments，即 I I I。

接下来会增加一个新的Loss，基于KL散度进行计算。

最终的损失函数：

（1）主实验 （2）ablation study （3）Co-Interactive 的比较 （4）可视化实验

其中图5（a）是CED模块生成的序列，图5（b）和图5（c）中突出显示的单词分别是：

这篇文章的问题定义的比较清楚，同时将认知当中的个人和合作理论去进行模型的构建，并且对Claim verification任务据进行解释。最终取得了一定的效果。

模型部分设计，虽然复杂，但是里面的内容基本上都是一些常规的操作，没有给人带来非常新异的feeling。

虽然说是可解释，但是用的还是一些attention，只不过在最后给了一个例子去表示模型，关注的是哪些内容的信息，但是这个其实就是attention本来就有了一个效果，所以说这个可解释到底是什么，还是有待继续探索的。

[1] Unified Dual-view Cognitive Model for Interpretable Claim Verification