A Graph-based Verification Framework for Fact-Checking

📄 arXiv: 2503.07282v1 📥 PDF

作者: Yani Huang, Richong Zhang, Zhijie Nie, Junfan Chen, Xuefeng Zhang

分类: cs.CL

发布日期: 2025-03-10

备注: 13pages, 4figures

💡 一句话要点

提出GraphFC框架，通过图结构化验证解决虚假信息检测中分解不足和指代歧义问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 事实核查 知识图谱 图神经网络 自然语言处理 信息验证

📋 核心要点

  1. 现有基于LLM的事实核查方法存在分解不足和指代歧义问题，影响验证准确性。
  2. GraphFC框架通过构建声明图和证据图，利用图结构减少指代歧义，实现细粒度验证。
  3. 实验结果表明，GraphFC在多个数据集上达到SOTA性能，验证了其有效性。

📝 摘要（中文）

本文提出了一种基于图的验证框架GraphFC，用于打击虚假信息。现有方法使用大型语言模型（LLMs）进行声明分解，但存在两个关键限制：(1) 分解不足，给验证过程引入不必要的复杂性；(2) 指代歧义，导致不正确的验证结果。为了解决这些挑战，我们建议引入由三元组组成的声明图，以解决分解不足的问题，并通过图结构减少指代歧义。基于此核心思想，我们提出了GraphFC框架，该框架包含三个关键组件：图构建（构建声明图和证据图）、图引导规划（确定三元组验证的优先级顺序）和图引导检查（逐个验证声明图和证据图之间的三元组）。大量实验表明，GraphFC能够进行细粒度的分解，同时通过关系约束解决指代歧义，在三个数据集上实现了最先进的性能。

🔬 方法详解

问题定义：论文旨在解决现有基于大型语言模型的事实核查方法在声明分解和指代消解方面的不足。现有方法要么分解不够彻底，导致验证过程复杂化，要么存在指代歧义，导致验证结果不准确。这些问题限制了事实核查系统的性能和可靠性。

核心思路：论文的核心思路是将声明和证据表示为图结构，利用图的结构化信息来指导事实核查过程。通过将声明分解为三元组，并构建相应的声明图和证据图，可以更细粒度地进行验证，并利用图结构中的关系约束来减少指代歧义。

技术框架：GraphFC框架包含三个主要阶段：1) 图构建：构建声明图和证据图，节点表示实体或概念，边表示关系。2) 图引导规划：根据图结构确定三元组验证的优先级顺序，例如，优先验证关键的三元组或与其他三元组有强关联的三元组。3) 图引导检查：根据图结构和已验证的三元组信息，逐个验证声明图和证据图之间的三元组，并利用关系约束来解决指代歧义。

关键创新：GraphFC的关键创新在于利用图结构来指导事实核查过程。与传统的基于文本的事实核查方法相比，GraphFC能够进行更细粒度的分解，并利用图结构中的关系约束来减少指代歧义。此外，图引导规划模块能够根据图结构确定三元组验证的优先级顺序，从而提高验证效率。

关键设计：论文中图的构建方式（例如，使用什么知识图谱或关系抽取模型），图引导规划的具体策略（例如，使用什么算法来确定三元组的优先级），以及图引导检查中如何利用关系约束来解决指代歧义等技术细节未知。损失函数和网络结构等信息也未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，GraphFC框架在三个数据集上实现了最先进的性能，证明了其有效性。具体性能数据和对比基线未知，但论文强调GraphFC能够进行细粒度的分解，并通过关系约束解决指代歧义，从而显著提升事实核查的准确性。

🎯 应用场景

该研究成果可应用于新闻媒体、社交平台等领域，用于自动检测和识别虚假信息，提高信息的可信度和可靠性。通过减少虚假信息的传播，有助于维护社会稳定和公共利益。未来可扩展到其他类型的知识验证任务。

📄 摘要（原文）

Fact-checking plays a crucial role in combating misinformation. Existing methods using large language models (LLMs) for claim decomposition face two key limitations: (1) insufficient decomposition, introducing unnecessary complexity to the verification process, and (2) ambiguity of mentions, leading to incorrect verification results. To address these challenges, we suggest introducing a claim graph consisting of triplets to address the insufficient decomposition problem and reduce mention ambiguity through graph structure. Based on this core idea, we propose a graph-based framework, GraphFC, for fact-checking. The framework features three key components: graph construction, which builds both claim and evidence graphs; graph-guided planning, which prioritizes the triplet verification order; and graph-guided checking, which verifies the triples one by one between claim and evidence graphs. Extensive experiments show that GraphFC enables fine-grained decomposition while resolving referential ambiguities through relational constraints, achieving state-of-the-art performance across three datasets.