文章主要内容和创新点
主要内容
本文提出了一种基于大语言模型（LLM）的框架LRCTI，用于网络威胁情报（CTI）的多步证据检索与可信度验证。传统CTI可信度验证方法存在局限性（如静态分类、依赖手工特征、透明度低等），而LRCTI通过三个核心模块解决这些问题：
- 文本摘要模块：将复杂的CTI报告提炼为简洁、可验证的威胁声明；
- 自适应多步证据检索模块：在特定CTI语料库中迭代识别和优化支持信息，通过LLM反馈指导检索；
- 基于提示的自然语言推理（NLI）模块：评估每个声明的可信度，同时生成可解释的决策依据。
实验在CTI-200和PolitiFact两个基准数据集上进行，LRCTI的F1-Macro和F1-Micro得分分别达到90.9%和93.6%，较现有方法提升超过5%，验证了其在准确性、可解释性和可扩展性上的优势。
创新点
- 提出LRCTI框架，首次将LLM驱动的多步推理应用于CTI可信度验证，整合多步检索与推理，实现可扩展、可解释的验证；
- 设计多步证据检索模块，通过自适应迭代策略动态关联相关证据，减少人工干预，提升验证结果的可靠性和可解释性；
- 开发基于提示的自然语言推理模块，利用LLM引导的提示模板生成结构化可信度决策和人类可读的解释，增强透明度和用户信任；
- 在两个基准数据集上的实验验证了LRCTI的性能优势，其准确率和可解释性显著
