基于图的知识增强提升对话回复生成的事实性
计算与语言
2025-08-08 v2 人机交互
摘要
大语言模型（LLM）在许多自然语言处理任务中取得了成功。然而，其产生幻觉——生成看似合理但不一致或事实错误的文本——的倾向会在某些任务中引发严重问题，包括对话回复生成。为缓解这一问题，我们提出了两种新颖的基于图的知识增强框架：基于文本化图的对话回复生成（TG-DRG）和图感知的对话回复生成（GA-DRG），它们结合了推理引导的对话改写、对话语义知识选择和图增强回复生成，以提升对话回复的事实性。为评估生成回复的事实性，我们提出了一种对话事实分数（dialogue fact score），以弥补现有事实分数方法在对话场景中的局限性，提供更可靠的事实一致性评估。我们在OpendialKG和HybriDialogue数据集上使用不同基线方法评估了所提方法。与包括最先进的G-retriever在内的其他图知识增强基线相比，我们的方法显著提升了事实性，在对话事实分数上分别取得了OpendialKG上3.47%和HybriDialogue上3.12%的提升。代码将在GitHub上发布。
引用
@article{arxiv.2506.12496,
title = {Improving Factuality for Dialogue Response Generation via Graph-Based Knowledge Augmentation},
author = {Xiangyan Chen and Yujian Gan and Yimeng Gu and Matthew Purver},
journal= {arXiv preprint arXiv:2506.12496},
year = {2025}
}