原子事实分解助力属性问答

属性问答（Attributed Question Answering, AQA）旨在为给定问题提供可信赖的答案和可靠的归因报告。检索是广泛采用的方法，包括两大范式：检索后阅读（Retrieval-Then-Read, RTR）和事后检索（post-hoc retrieval）。最近，大型语言模型（Large Language Models, LLMs）展现出惊人的熟练性，促使研究者对 AQA 日益关注。然而，RTR 基于的 AQA 常因无关知识和信息快速变化而受限，即便采用了 LLMs；而事后检索基于的 AQA 则在理解复杂逻辑的长篇答案方面受挫，难以精确识别需要修订的内容并保持原意。为解决这些问题，本文提出了基于原子事实分解的检索与编辑（Atomic fact decomposition-based Retrieval and Editing, ARE）框架，该框架通过指令微调的 LLMs 将生成的长篇答案分解为分子子句和原子事实。值得注意的是，指令微调的 LLMs 是使用来自大规模知识图谱（Knowledge Graphs, KGs）的精心构建的数据集进行微调的。该过程涉及从给定实体集合中提取一步邻居（one-hop neighbors），并将结果转化为连贯的长篇文本。随后，ARE 利用搜索引擎检索与原子事实相关的证据，将这些证据输入基于 LLM 的验证器，以确定事实是否需要进行重新检索或编辑。此外，编辑后的事实被追溯到原始答案，证据根据分子子句与原子事实之间的关系进行聚合。广泛的评估表明，我们提出的方法在多个数据集上优于现有方法，同时提出了一个用于评估证据归因精度的新指标 $Attr_{p}$。