HybridFC: A Hybrid Fact-Checking Approach for Knowledge Graphs

要約

ナレッジ グラフ内のアサーションの真実性を予測することを目的としたファクト チェックのアプローチを検討します。
最近の文献では、ナレッジ グラフのファクト チェック アプローチの 5 つの主要なカテゴリが提案されていますが、それぞれのカテゴリには部分的に重複する制限があります。
特に、現在のテキストベースのアプローチは、手動の特徴量エンジニアリングによって制限されています。
パスベースおよびルールベースのアプローチは、背景知識としてナレッジ グラフを排他的に使用するため制限があり、埋め込みベースのアプローチは、現在のファクト チェック タスクの精度スコアが低いという問題があります。
私たちは、HybridFC と呼ばれるハイブリッド アプローチを提案します。これは、アンサンブル学習設定内のファクトチェック アプローチの既存カテゴリの多様性を活用して、大幅に優れた予測パフォーマンスを達成します。
特に、私たちのアプローチは、FactBench データセットの受信者動作特性曲線の下の面積に関して、最先端技術を 0.14 ～ 0.27 上回っています。
私たちのコードはオープンソースであり、https://github.com/dice-group/HybridFC で見つけることができます。

要約(オリジナル)

We consider fact-checking approaches that aim to predict the veracity of assertions in knowledge graphs. Five main categories of fact-checking approaches for knowledge graphs have been proposed in the recent literature, of which each is subject to partially overlapping limitations. In particular, current text-based approaches are limited by manual feature engineering. Path-based and rule-based approaches are limited by their exclusive use of knowledge graphs as background knowledge, and embedding-based approaches suffer from low accuracy scores on current fact-checking tasks. We propose a hybrid approach — dubbed HybridFC — that exploits the diversity of existing categories of fact-checking approaches within an ensemble learning setting to achieve a significantly better prediction performance. In particular, our approach outperforms the state of the art by 0.14 to 0.27 in terms of Area Under the Receiver Operating Characteristic curve on the FactBench dataset. Our code is open-source and can be found at https://github.com/dice-group/HybridFC.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google