增强多跳事实核查的结构化知识增强大语言模型
计算与语言
2025-03-12 v1
摘要
社交平台的快速发展加剧了错误信息的传播，这推动了事实核查研究。近期研究倾向于利用语义特征将这一问题作为单跳任务来解决。然而，在现实场景中验证一个主张需要若干证据片段，这些证据之间存在复杂的内部逻辑和关系。近期研究试图通过提升理解和推理能力来改善性能，但忽略了有助于模型更好理解和促进预测的实体间关键关系。为强调关系的重要性，我们借助大语言模型（LLMs），因为根据实验结果，它们在理解方面优于推理。因此，我们提出了一种新颖的结构化知识增强 LLM 网络（LLM-SKAN）用于多跳事实核查。具体而言，我们利用 LLM 驱动的知识提取器捕获细粒度信息，包括实体及其复杂关系。此外，我们利用知识增强关系图融合模块与每个节点交互，全面学习更好的主张-证据表示。在四个常用数据集上的实验结果证明了所提模型的有效性和优越性。
引用
@article{arxiv.2503.08495,
title = {Enhancing Multi-Hop Fact Verification with Structured Knowledge-Augmented Large Language Models},
author = {Han Cao and Lingwei Wei and Wei Zhou and Songlin Hu},
journal= {arXiv preprint arXiv:2503.08495},
year = {2025}
}
备注
Accepted by AAAI 2025