RAEmoLLM: 基于情感信息上下文学习的检索增强大语言模型用于跨领域虚假信息检测
计算与语言
2025-10-28 v2
摘要
虚假信息普遍存在于教育、政治、健康等多个领域，对社会造成严重危害。然而，当前的跨领域虚假信息检测方法依赖于耗费大量精力和资源的微调以及复杂的模型结构。随着大语言模型（LLM）的卓越表现，许多研究已将其用于虚假信息检测。不幸的是，这些研究专注于领域内任务，并未融入重要的情感和情绪特征（我们统称为“情感”）。在本文中，我们提出了RAEmoLLM，这是首个利用基于情感信息的上下文学习来解决跨领域虚假信息检测的检索增强（RAG）大语言模型框架。RAEmoLLM包含三个模块：（1）在索引构建模块中，我们应用一个情感大语言模型从所有领域获取情感嵌入，以构建检索数据库。（2）检索模块使用该数据库从源领域数据中为目标领域内容推荐前K个示例（文本-标签对）。（3）这些示例被用作推理模块处理目标领域内容时的少样本演示。RAEmoLLM通过基于情感的检索，无需微调即可有效提升大语言模型在跨领域虚假信息检测任务中的整体性能。我们在三个虚假信息基准上评估了我们的框架。结果表明，与其它少样本方法相比，RAEmoLLM在三个数据集上均取得了显著提升，最高分别提升了15.64%、31.18%和15.73%。该项目可在https://github.com/lzw108/RAEmoLLM获取。
引用
@article{arxiv.2406.11093,
title = {RAEmoLLM: Retrieval Augmented LLMs for Cross-Domain Misinformation Detection Using In-Context Learning Based on Emotional Information},
author = {Zhiwei Liu and Kailai Yang and Qianqian Xie and Christine de Kock and Sophia Ananiadou and Eduard Hovy},
journal= {arXiv preprint arXiv:2406.11093},
year = {2025}
}
备注
Accepted by ACL 2025 (Main)