Quin

Quin

Uma estrutura fácil de usar para verificação de fatos e resposta a perguntas em grande escala. [Demonstração]

Uso

O projeto foi testado com Python 3.7 . Para a configuração e execução:

1. Baixe os pesos do modelo e extraia-os na pasta models/weights :

• Modelo NLI e
• Dense Encoder M (multitarefa para controle de qualidade e verificação de fatos) ou
• Dense Encoder FC (tarefa única para verificação de fatos) ou
• Dense Encoder QA (tarefa única para resposta a perguntas)

2. Instale os pacotes necessários:

 pip3 install -r requirements.txt

3. Indexe uma lista de documentos:

 python quin.py --index example_docs.jsonl

4. Servir uma API Flask:

 python quin.py --port 1234

Conjuntos de dados

• Conjunto de dados factual-NLI
• Conjunto de dados de notícias COVID-19

Referências

 @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}
}

Licença

Quin é licenciado sob licença MIT e o conjunto de dados Factual-NLI sob licença Attribution 4.0 International (CC BY 4.0).