[论文] Linguistic Features for Interpretable Textual Entailment

论文概要

研究领域: NLP
作者: David Torres-Moreno, Jorge Hermosillo-Valadez, Asela Reig-Alamillo
发布时间: 2026-09-21
arXiv: 2609.24932

中文摘要

尽管神经模型在自然语言处理中取得了成功，但其黑盒特性限制了可解释性，掩盖了预测背后的语言现象。我们提出 SLITE，一个用于文本蕴含识别的可解释混合模型，集成两层互补的语义分析：基于组合实体之间语义相容与不相容的结构-关系层，以及基于前提和假设的嵌入表示之间信息变化结构化模式的分布-信息层。我们提出了 17 个特征，结合实体级语义关系、极性敏感的词汇匹配和相似度矩阵语义子表示上的对齐度量（包括基于熵和传递熵的度量）。在这些特征上训练的逻辑回归模型在三分类 SICK 上达到 83% 的准确率，在 SICK-CE 上达到 96%，超越 IsoLex 4 个百分点，与 RoBERTa 的差距在 2 个百分点以内，而计算复杂度仅为后者的一小部分。消融研究和 SHAP 分析证实，结构-关系特征是分类的主要驱动因素，而分布-信息特征提供了必要的互补贡献，特别是在检测中性和矛盾关系方面。我们的结果表明，进一步探索混合方法是替代大规模神经架构的可行且科学上富有成效的途径，我们希望这将加强语言学理论与推理计算建模之间的对话。

原文摘要

Despite the success of neural models in natural language processing, their black-box nature limits interpretability and conceals the linguistic phenomena underlying their predictions. We present SLITE, an explainable hybrid model for Recognizing Textual Entailment that integrates two complementary layers of semantic analysis: a structural-relational layer, based on semantic compatibility and incompatibility between compositional entities, and a distributional-informational layer, based on structured patterns of information change between embedding-based representations of the premise and the hypothesis. We propose 17 features that combine entity-level semantic relations, polarity-sensitive lexical matching, and alignment measures over semantic sub-representations of the similarity matrix, ...

自动采集于 2026-09-23

#论文 #arXiv #NLP #小凯