Quin

Quin

Un marco fácil de usar para la verificación de hechos y la respuesta de preguntas a gran escala. [Manifestación]

Uso

El proyecto fue probado con Python 3.7 . Para la configuración y ejecución:

1. Descargue los pesos del modelo y extráigalos a la carpeta models/weights :

• modelo NLI y
• Dense Encoder M (multitarea para control de calidad y verificación de datos) o
• Dense Encoder FC (tarea única para verificación de hechos) o
• Control de calidad del codificador denso (tarea única para responder preguntas)

2. Instale los paquetes necesarios:

 pip3 install -r requirements.txt

3. Indexar una lista de documentos:

 python quin.py --index example_docs.jsonl

4. Servir una API de Flask:

 python quin.py --port 1234

Conjuntos de datos

• Conjunto de datos Factual-NLI
• Conjunto de datos de noticias sobre COVID-19

Referencias

 @inproceedings{samarinas2021improving,
  title={Improving Evidence Retrieval for Automated Explainable Fact-Checking},
  author={Samarinas, Chris and Hsu, Wynne and Lee, Mong Li},
  booktitle={Proceedings of the 2021 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies: Demonstrations},
  pages={84--91},
  year={2021}
}

@inproceedings{samarinas2020latent,
  title={Latent Retrieval for Large-Scale Fact-Checking and Question Answering with NLI training},
  author={Samarinas, Chris and Hsu, Wynne and Lee, Mong Li},
  booktitle={2020 IEEE 32nd International Conference on Tools with Artificial Intelligence (ICTAI)},
  pages={941--948},
  year={2020},
  organization={IEEE}
}

Licencia

Quin tiene la licencia MIT y el conjunto de datos Factual-NLI está bajo la licencia Attribution 4.0 International (CC BY 4.0).