DeLIVeR：基于强化知识图谱探索的分解式事实核查框架

DeLIVeR是一种将证据检索视为强化探索任务的事实核查框架，通过规划语言模型将复杂声明分解为问题集，遍历结构化知识图谱获取高精度证据，并用GRPO优化策略。在LIAR、FEVER、PolitiFact数据集上使用Qwen2.5-7B模型，F1分数分别达83.73、84.57、79.70，较HippoRAG2提升10-15%。

传统检索系统因‘查询脆弱性’难以处理多跳推理，DeLIVeR将证据检索转为强化探索，利用知识图谱和问题分解弥补推理缺口，显著提升事实核查准确率，且路径可审计。

DeLIVeR使用规划语言模型将声明拆解为针对性问题集，以此遍历知识图谱节点；通过GRPO（群体相对策略优化）调整策略，奖励结构多样性与答案准确性，从而获得高精度证据，实现多跳推理。

该框架可直接用于自动事实核查产品，提升假新闻检测准确率10-15%；采用7B参数模型，推理成本可控；可审计的决策路径增强了可信度，适用于内容审核、舆情监控等场景。

• 开发基于知识图谱的事实核查插件，集成到新闻聚合平台或社交媒体内容审核系统
• 构建可审计的假新闻检测API，面向媒体机构或公共信息服务平台
• 将问题分解与策略优化方法应用于其他需要多跳推理的问答产品（如法律、医疗咨询）

• DeLIVeR在实时流式数据上的推理延迟是多少？
• 知识图谱的覆盖范围和更新频率对准确率有何影响？
• GRPO训练所需的数据标注成本有多高？