用于瑞士议员意识形态预测的图增强 LLM
计算与语言
2026-05-07 v1
摘要
近似议员（MPs）的意识形态立场是政治科学中的一项基础任务，有助于研究人员理解立法行为、政党结盟和政策偏好。尽管大型语言模型（LLMs）在估计议员意识形态立场方面展现出了有前景的结果，但议会系统中存在更多的参与者和要素及其相互关系，能够提供更广泛、更具信息量的图景。然而，由于将它们整合到预测任务中的复杂性，这些额外要素通常被忽略。在这项工作中，我们提出了一个 LLM 框架 PG-RAG，它实现了检索增强生成流水线：它首先查询政治知识图谱（KG），然后将生成的图结构信息整合到上下文中。这使得捕获文本语义和议员间关系成为可能，后者是任何议会系统中另一个相关的信息源。我们使用来自瑞士议会数据集的数据，在意识形态预测任务上评估了该方法。将图增强模型与多个 SOTA 基线进行比较，结果表明，纳入这种编码了不同实体和关系信息的丰富信息可以提高预测性能。这些结果有助于突显特定领域关系信息在政治行为建模中的价值。
引用
@article{arxiv.2605.04643,
title = {Graph-Augmented LLMs for Swiss MP Ideology Prediction},
author = {Yifei Yuan and Luis Salamanca and Sophia Schlosser and Laurence Brandenberger},
journal= {arXiv preprint arXiv:2605.04643},
year = {2026}
}
备注
Accepted by SwissText 26