我们来看知识图谱用来做大模型幻觉评估和修正的一个工作，其实是知识图谱参与大模型全周期的最后一环。
最近看到一个工作 《GraphEval: A Knowledge-Graph Based LLM Hallucination Evaluation Framework》(https://arxiv.org/pdf/2407.10793)，提出了一个基于知识图谱的幻觉检测框架，用于评估大模型的回复，并检测与提供的知识不一致的地方，即所谓的“幻觉”。
此外，其还提供了一个将幻觉检测的结果进行进一步纠正的思路，虽然全是prompt，但也很有趣。从实现思想上来看，其基于通过知识图谱结构表示信息的思想，旨在解决之前幻觉检测方法缺乏可解释性的问题，从而提出了一个两阶段过程。
这种思路很有趣，也足够简单，感兴趣的可以看看，会有收获。
1、GraphEval幻觉检测思路
GraphEval首先从LLM输出中构建知识图谱，然后迭代检查每个三元组（triple）是否在给定上下文中事实一致。如果任何三元组被识别为不一致，输出将被视为事实不一致，并可能返回不一致的三元组以提供可解释性。
示意图如下所示：
我们分成两个方面来看，一个是GraphEval幻觉检测思路，另一个是GraphCorrect幻觉纠正实现思路。
第一阶段：从待评估的LLM输出中构建知识图谱。
对应的prompt如下：
第二阶段：迭代检查知识图谱中的每个三元组（triple），确定它们是否在给定上下文中事实一致。
将知识图谱中的每个三元组输入到一个现成的幻觉检测方法（如自然语言推理模型）中，并与提供的上下文进行比较，以检查是否存在不一致性。
如果任何三元组被识别为不一致，整个输出将被视为事实不一致，并返回不一致的三元组以提供可解释性。
其中，这一步使用自然语言推理（NLI）模型，通过将每个三元组与上下文一起输入NLI模型，获得每个三元组包含幻觉的概率。如果至少一个三元组产生的概率大于0.5，则将示例分类为不一致。
这块的方法之前我们看到过许多，例如，代表性的有
HHEM：基于DeBERTaV3模型，并最初在NLI数据上进行训练，Vectara创建的幻觉评估模型进一步在标注为一致性的数据库上进行微调。用于微调的数据集包括：FEVER、VitaminC和PAWS。此模型相对较小，仅需要738MB的内存，因此运行时间明显更短。
TRUE：基于T5-XXL模型，并类似于TRUE论文中描述的模型进行训练。与该论文中使用的ANLI数据集不同，此模型在与HHEM相同的数据集上进行训练，再加上以下数据集：SNLI、MNLI和Scitail。此模型需要45.5GB的内存。
TrueTeacher：Gekhman等人利用LLM评估幻觉的能力，通过注释模型生成的摘要生成合成数据。然后他们使用这些合成数据进一步微调中的模型，从而在TRUE基准测试中实现最先进的性能。此模型与TRUE模型大小相同。
不同模型对应的结果对比如下：
2、GraphCorrect幻觉纠正实现思路
GraphEval 的输出可以扩展到纠正幻觉。首先识别知识图谱中可能包含幻觉的所有三元组（即那些概率大于0.5的三元组）。
分成3步：
首先，识别幻觉，先使用GraphEval检测方法识别出知识图谱中可能包含幻觉的三元组。
其次，纠正三元组，将这些三元组和上下文一起输入到LLM中，生成更正后的三元组。
最后，将原始LLM输出中的信息替换为更正后的三元组中的信息，对应的prompt如下：
与此相对应的，有不使用KG，而直接让大模型自行进行纠正的prompt，叫做“直接提示”如下：
最终对比的结果还是很有趣的，可以看看消融试验：
对提出的每种评估框架（HHEM+GraphEval、TRUE+GraphEval和TrueTeacher+GraphEval），将GraphCorrect与一种基本的提示策略进行了比较，作为幻觉纠正的基线。这种基线方法中使用的提示，也就是“直接提示”。
对于每个框架，首先识别幻觉，然后仅使用GraphCorrect或直接提示纠正怀疑包含幻觉的LLM输出，然后重新应用评估框架以检测纠正后的LLM输出中的幻觉。但此过程仅允许测量我们认为已纠正的幻觉，考虑到所使用的评估框架可能存在的错误。
表3中报告了使用直接提示和GraphCorrect在不同数据集和幻觉检测框架下，原始摘要和纠正版本之间的平均ROUGE-1、ROUGE-2和ROUGE-L分数，以衡量相似性。
表4中使用直接提示策略和GraphCorrect在SummEval、QAGS-C和QAGS-X基准测试中，认为已纠正的幻觉的百分比。幻觉首先由HHEM+GraphEval、TRUE+GraphEval和TrueTeacher+GraphEval分别检测，然后使用相同的指标进行纠正评估。
可以看到，GraphCorrect在所有任务中显著纠正了更多的幻觉，除了与QAGS-X数据集相关的两个任务。
3、总结
本文主要介绍了GraphEval这个工作，其还是很有趣的，与之前的工作相比，其将纯文本格式的比对与知识图谱相结合。但也存在一些问题。例如：知识图谱构建阶段，可能会发生一些信息，吃出来的东西并不准确。
此外，GraphCorrect提供了仅修改LLM输出中易受幻觉影响的文本段的优势，同时保持其他部分不变，从而保持与原始文本的相似性。
这一特性通过在所有实验场景中评估原始摘要和纠正版本之间的ROUGE-1、ROUGE-2和ROUGE-L指标来说明，与直接提示相比，GraphCorrect系统地生成了与原始LLM输出更接近的文本。
这其实又是基于知识图谱进行事后校验的一个直接实现，这些闭环了。
