46、对话可解释性：评估、逻辑基础与应用前景

对话可解释性：评估、逻辑基础与应用前景

1. 评估：对话可解释性与基于报告的可解释性对比

在可解释性的评估方面，对对话可解释性（CE）和基于报告的可解释性进行了对比。以下是不同领域的对比数据：
| 领域名称 | 对话可解释性的整体有意义解释 | 包含决策日志的报告的整体有意义解释 |
| — | — | — |
| 金融 | 67.1 | 53.1 |
| 汽车维修 | 65.3 | 50.5 |
| 体育购物 | 69.0 | 47.9 |
| 家居产品购物 | 66.2 | 44.3 |
| 家居相关服务 | 63.9 | 52.8 |
| 旅游 | 64.7 | 50.3 |
| 真实人类对话 | 60.1 | 46.0 |
| 平均值 | 65.2 | 49.3 |

从数据中可以看出，通过对话获得的有意义解释的比例比传统的基于报告的解释高出15.9%。这里评估的并非分类器本身的性能，而是其决策通过对话传达的整体质量。

2. 逻辑基础：文本蕴含

文本蕴含识别是自然语言理解的关键任务。给定一对句子，即前提和假设，该任务需要将它们的关系分类为以下三种情况：
- 蕴含：如果前提蕴含或解释了假设；
- 矛盾：如果假设与前提矛盾；
- 中立：如果既不存在蕴含关系也不存在矛盾关系。

斯坦福自然语言接口数据集（SNLI）包含超过五十万个由人类生成的三元组 <前提, 假设, 标签>，推动了大量神经网络模型的发展。一些研究表明，在SNLI上训练通用句子表示比传统的训练方法更高效、更准确。然而，也有研究对在SN