解码沉默多数：利用大语言模型诱导信念增强社会图以进行回应预测
计算与语言
2023-10-23 v1 人工智能
机器学习
摘要
新闻媒体的自动回应预测在使内容生产者高效预测新闻发布影响并预防社会冲突与道德伤害等意外负面结果方面起着关键作用。为有效预测回应，必须开发利用个体周边社会动态与上下文信息的度量手段，尤其在用户显式档案或历史行为有限（即所谓潜伏者）的情况下。如先前研究所示，全部推文中仅最活跃 25% 用户产出了 97%。然而，现有方法对如何最佳处理与利用这些重要特征的探索有限。为填补此空白，我们提出名为 SocialSense 的新颖框架，其利用大语言模型在既有社交网络之上诱导以信念为中心的图，并辅以基于图的传播以捕捉社会动态。我们假设，所诱导的图弥合了共享相似信念的远距离用户间的鸿沟，使模型能有效捕捉回应模式。我们的方法在零样本与有监督设定的实验评估中均超越现有最优（SOTA），证明其回应预测的有效性。此外，分析揭示了该框架处理未见用户与潜伏者场景的能力，进一步凸显其鲁棒性与实际适用性。
引用
@article{arxiv.2310.13297,
title = {Decoding the Silent Majority: Inducing Belief Augmented Social Graph with Large Language Model for Response Forecasting},
author = {Chenkai Sun and Jinning Li and Yi R. Fung and Hou Pong Chan and Tarek Abdelzaher and ChengXiang Zhai and Heng Ji},
journal= {arXiv preprint arXiv:2310.13297},
year = {2023}
}
备注
Accepted at EMNLP 2023 Main Conference