RoleRAG：基于图引导检索提升LLM角色扮演能力
人工智能
2025-05-27 v1
摘要
大语言模型（LLM）在角色扮演方面展现出巨大的潜力，能够实现沉浸式且引人入胜的对话。然而，这些模型往往生成与角色背景不符或内容不相关的信息。我们认为，这些问题源于：（1）由于实体歧义，无法准确记忆角色特定知识，以及（2）缺乏对角色认知边界的 awareness。为此，我们提出了RoleRAG，一种基于检索的框架，集成了高效的实体消歧以实现知识索引，以及基于图结构的边界感知检索器，用于从结构化知识图谱中提取情境上适当的信息。实验表明，RoleRAG的校准化检索帮助通用型和角色特定LLM更好地与角色知识对齐，并减少幻觉响应。在角色扮演基准测试上进行实验，显示出上述效果。
引用
@article{arxiv.2505.18541,
title = {RoleRAG: Enhancing LLM Role-Playing via Graph Guided Retrieval},
author = {Yongjie Wang and Jonathan Leung and Zhiqi Shen},
journal= {arXiv preprint arXiv:2505.18541},
year = {2025}
}
备注
A Retrieval-enhanced LLM Role-playing