ClaimPKG：通过轻量级专用 LLM 伪子图生成增强声明验证
计算与语言
2025-05-29 v1 人工智能
数据库
摘要
集成知识图谱以增强大语言模型的推理能力是声明验证中的一项新兴研究挑战。虽然知识图谱提供了非常适合推理的结构化、语义丰富的表示，但大多数现有的验证方法依赖于非结构化文本语料库，限制了它们有效利用知识图谱的能力。此外，尽管现代 LLM 具有强大的推理能力，但如果不进行适配，它们在处理多步模块化流程和对知识图谱进行推理时仍面临困难。为了应对这些挑战，我们提出了 ClaimPKG，这是一个将 LLM 推理与来自知识图谱的结构化知识无缝集成的端到端框架。具体而言，ClaimPKG 的主要思想是采用一个轻量级的专用 LLM 将输入声明表示为伪子图，从而引导专用的子图检索模块识别相关的知识图谱子图。随后，这些检索到的子图由通用 LLM 处理，以产生最终的判定和理由。在 FactKG 数据集上的大量实验表明，ClaimPKG 达到了最先进的性能，在多个类别中比该研究领域的强基线高出 9%-12% 的准确率。此外，ClaimPKG 展现了对 HoVer 和 FEVEROUS 等非结构化数据集的零样本泛化能力，有效地将来自知识图谱的结构化知识与各种 LLM 骨干网络中的 LLM 推理相结合。
引用
@article{arxiv.2505.22552,
title = {ClaimPKG: Enhancing Claim Verification via Pseudo-Subgraph Generation with Lightweight Specialized LLM},
author = {Hoang Pham and Thanh-Do Nguyen and Khac-Hoai Nam Bui},
journal= {arXiv preprint arXiv:2505.22552},
year = {2025}
}
备注
Accepted by ACL 2025 findings