片段中的事实：基于LLM的原子事实提取与验证
人工智能
2025-06-10 v1
摘要
事实核查在通过证据检索和推理来评估主张真实性方面发挥着召唤 misinformation的重要作用。然而，传统方法在处理需要对碎片化证据进行多跳推理的复杂主张时常常难以应对，因为它们常常依赖于静态的分解策略和表层级的语义检索，这些方法无法捕捉主张的细致结构和意图。这导致推理误差积累、证据噪声污染以及对多样化主张的适应性有限，最终削弱了复杂情景下的核查准确性。为了解决这一问题，我们提出了原子事实提取与验证（AFEV），一种新型框架，通过迭代分解复杂主张为原子事实，实现细粒度检索和自适应推理。AFEV通过迭代事实提取动态细化对主张的理解，降低误差传播，通过对证据进行重新排序以过滤噪声，并利用情境特定的演示案例引导推理过程。广泛的实验在五个基准数据集上表明，AFEV在准确性和可解释性方面实现了状态的最佳性能。
引用
@article{arxiv.2506.07446,
title = {Fact in Fragments: Deconstructing Complex Claims via LLM-based Atomic Fact Extraction and Verification},
author = {Liwen Zheng and Chaozhuo Li and Zheng Liu and Feiran Huang and Haoran Jia and Zaisheng Ye and Xi Zhang},
journal= {arXiv preprint arXiv:2506.07446},
year = {2025}
}