基于可信度感知的多策略图RAG问答研究OA

针对通用大语言模型在军事、医疗、金融等专业问答场景中幻觉严重、专业性不足的问题,以及检索增强生成(retrieval-augmented generation,RAG)技术缓解模型幻觉过程中易受检索文档虚假信息误导的新问题,提出一种可信度感知多策略图RAG(credibility-aware multistrategy graph RAG,CAMG-RAG)框架,构建“可信知识生成—高可信信息检索—注意力权重优化”三级协同架构。首先,通过改进的知识图谱链接器生成含实体、关系、三元组及可信度评分的图构件;其次,基于可信度评估机制,实现多策略图检索;最后,定位大模型中对知识图谱元素敏感的“有影响力注意力头”,依据可信度评分修正其注意力权重,引导模型优先聚焦高价值知识。实验结果表明,在军事领域QAonMilitaryKG数据集上,CAMG-RAG能够显著提高大模型对抗幻觉的能力,基于Qwen3-4B模型,其忠实度、答案正确性分别达到0.746、0.863,比微调大模型提高14.6%、5.9%。