KG-CRAFT: Knowledge Graph-based Contrastive Reasoning with LLMs for Enhancing Automated Fact-checking

📄 arXiv: 2601.19447v1 📥 PDF

作者: Vítor N. Lourenço, Aline Paes, Tillman Weyde, Audrey Depeige, Mohnish Dubey

分类: cs.CL, cs.AI

发布日期: 2026-01-27

备注: Accepted to publication at the 19th Conference of the European Chapter of the Association for Computational Linguistics, EACL 2026

💡 一句话要点

KG-CRAFT：利用知识图谱对比推理增强LLM的自动事实核查能力

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 自动事实核查 知识图谱 对比推理 大型语言模型 声明验证

📋 核心要点

  1. 现有自动事实核查系统在处理复杂声明时，缺乏有效的证据挖掘和推理能力。
  2. KG-CRAFT通过构建知识图谱并生成对比问题，引导LLM从证据中提取关键信息，提升推理能力。
  3. 在LIAR-RAW和RAWFC数据集上的实验表明，KG-CRAFT显著提升了事实核查的准确性，达到新的SOTA。

📝 摘要（中文）

本文提出了一种名为KG-CRAFT的方法，旨在通过利用大型语言模型（LLM）并结合基于知识图谱的对比问题，来改进自动声明验证。KG-CRAFT首先从声明和相关报告中构建知识图谱，然后基于知识图谱的结构制定上下文相关的对比问题。这些问题指导证据报告的提炼，并将其综合成简洁的摘要，供LLM进行真伪评估。在两个真实世界数据集（LIAR-RAW和RAWFC）上的大量评估表明，该方法在预测性能方面达到了新的state-of-the-art。全面的分析详细验证了基于知识图谱的对比推理方法在提高LLM事实核查能力方面的有效性。

🔬 方法详解

问题定义：自动事实核查旨在验证声明的真实性，现有方法在处理复杂或需要多步推理的声明时，往往难以有效利用证据，导致准确率不高。特别是，如何引导LLM从大量证据中提取关键信息并进行有效推理是一个挑战。

核心思路：KG-CRAFT的核心在于利用知识图谱来表示声明和证据之间的关系，并基于知识图谱生成对比问题。这些对比问题旨在引导LLM关注证据中与声明真伪相关的关键信息，从而提高LLM的推理能力和事实核查的准确性。

技术框架：KG-CRAFT主要包含三个阶段：1) 知识图谱构建：从声明和相关报告中提取实体和关系，构建知识图谱。2) 对比问题生成：基于知识图谱的结构，生成与声明相关的对比问题，例如“如果X为真，那么Y是否为假？”。3) 证据提炼与验证：利用对比问题引导LLM从证据报告中提取关键信息，并将这些信息综合成简洁的摘要，最后由LLM对声明的真伪进行评估。

关键创新：KG-CRAFT的关键创新在于将知识图谱和对比推理相结合，用于指导LLM进行事实核查。与传统方法相比，KG-CRAFT能够更有效地利用知识图谱中的结构化信息，并通过对比问题引导LLM关注证据中的关键细节，从而提高事实核查的准确性。

关键设计：对比问题的生成策略是关键设计之一，论文可能采用了特定的模板或算法来生成高质量的对比问题。此外，如何有效地将对比问题融入到LLM的推理过程中，例如通过prompt engineering或fine-tuning，也是一个重要的技术细节。具体的损失函数和网络结构细节未知，需要查阅论文原文。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

KG-CRAFT在LIAR-RAW和RAWFC两个真实世界数据集上取得了显著的性能提升，达到了新的state-of-the-art。具体的性能数据和提升幅度需要在论文原文中查找。实验结果表明，基于知识图谱的对比推理能够有效提高LLM的事实核查能力。

🎯 应用场景

KG-CRAFT可应用于新闻媒体的事实核查、社交媒体的内容审核、以及金融领域的风险评估等场景。通过自动验证信息的真实性，可以有效减少虚假信息的传播，提高信息的可信度，并为决策提供更可靠的依据。未来，该技术有望与更多领域知识相结合，实现更精准、更智能的事实核查。

📄 摘要（原文）

Claim verification is a core component of automated fact-checking systems, aimed at determining the truthfulness of a statement by assessing it against reliable evidence sources such as documents or knowledge bases. This work presents KG-CRAFT, a method that improves automatic claim verification by leveraging large language models (LLMs) augmented with contrastive questions grounded in a knowledge graph. KG-CRAFT first constructs a knowledge graph from claims and associated reports, then formulates contextually relevant contrastive questions based on the knowledge graph structure. These questions guide the distillation of evidence-based reports, which are synthesised into a concise summary that is used for veracity assessment by LLMs. Extensive evaluations on two real-world datasets (LIAR-RAW and RAWFC) demonstrate that our method achieves a new state-of-the-art in predictive performance. Comprehensive analyses validate in detail the effectiveness of our knowledge graph-based contrastive reasoning approach in improving LLMs' fact-checking capabilities.