202503 arxiv

• 人物传记生成是人工智能与历史交叉融合的重要方向
  • 自动化传记生成的发展可以帮助历史学者摆脱这些繁重的读写任务
  • 传记生成是指根据参考资料（如教科书等）提取并改写传记事件，自动撰写出一份简明的文档，包含一系列事实和事件（如出生/逝世的时间和地点、职业等），以勾勒一个人物的专业形象
    • 从技术角度看，传记生成可以被视为一种特殊形式的抽象摘要（abstractive summarization）
    • 然而，相比于通用文本摘要，传记生成具有一些现有基于 LLM 的方法或垂直领域预训练模型难以应对的独特特点：
      • 风格遵循性（Stylistic adherence）
        • 传记写作必须严格遵循特定语言风格，并使用专业术语，而这恰是 LLMs 擅长度不高的领域
          • 当要求以文言文撰写传记并遵循历史写作规范时，LLMs 往往难以保持风格一致性
          • 已有研究尝试通过微调注入领域知识，但由于缺乏遵循特定风格的训练语料，即使微调后的 LLM 也难以在语言风格和术语运用上做到准确遵循。
      • 事实真实度（Factual fidelity）
        • 传记对于事实错误是零容忍的。
        • 然而，众所周知 LLM 容易出现“幻觉”（hallucination）现象，即生成貌似合理但与真实事实矛盾的内容，从而严重影响传记的实用性
        • 目前已有三类方法试图缓解摘要生成中的虚构内容问题：
          • 基于训练的方法
            • 通过训练奖励模型或分类器，从根本上修正事实错误
            • 缺点是依赖大量训练样本（数万级）
          • 基于解码的方法
            • 通过限制从上下文中采样的输出 token 来避免幻觉。
            • 虽有效，但会限制模型的创造力；
          • 基于检索增强生成（RAG）的方法
            • 通过从外部知识库（如历史教科书）检索相关信息作为参考，指导 LLM 进行传记生成。
            • 检索的准确性对生成质量具有决定性影响。
      • 信息碎片化（Information fragmentation）
        • 关于某位历史人物的详细信息通常分散在多个文档中
        • RAG 流程中有两个关键组件——文本切块（text chunking）和切块表征（chunk representation）——在此背景下面临信息碎片化的挑战
          • 不同人物的描述文本长度差异较大，给文本切块带来困难，容易引入无关的噪声信息
          • 句子中的别名与代词使语义变得模糊，导致文本切块的语义嵌入难以区分，从而出现“表征稀释”（representation dilution）问题
  • ——>论文提出了 AIstorian，一个创新的 agentic 系统，用于实现高质量传记生成
    • 该系统由知识图谱（KG）驱动的 RAG 机制和抗幻觉多智能体（multi-agent）模块组成
      • 在 KG 驱动的 RAG 机制中，设计了一种基于**上下文学习（in-context learning）**的文本切块策略，并构建了一个基于知识图谱的索引结构，用于对外部知识库进行重组，从而实现高效、准确的信息检索。
      • 为进一步减少 LLM 的幻觉现象，我们引入了实时抗幻觉多智能体系统，其中包括即时幻觉检测和面向错误类型的修正机制，确保生成的传记在事实层面忠实于源文档。
    • 为了更好地适配特定语言风格，使用两阶段训练流程对基础模型进行微调：第一阶段是基于数据增强的有监督微调，第二阶段是风格偏好优化。
  • 在 Jinshi 数据集上进行了大量实证实验，结果表明该系统在生成质量（Rouge-L 得分：80.54）和事实准确性方面表现优越，幻觉率下降 47.6%，原子事实错误平均减少 3.8 倍。