CORE-KG：面向人类走私网络的LLM驱动知识图构建框架
计算与语言
2025-06-30 v1 人工智能
计算机与社会
摘要
人类走私网络日益灵活，难以分析。法律案件文件提供了宝贵的洞察，但其结构化程度不足、词汇密集且充满模糊或不断变化的引用——制约了自动化知识图（KG）构建。现有KG方法常依赖静态模板，缺乏指代消解；而近期LLM方法常因幻觉产生噪声、碎片化图形，或因缺乏引导提取导致节点重复。我们提出CORE-KG，一个用于从法律文本构建可解释KG的模块化框架。它采用两步流程：（1）通过顺序、结构化LLM提示实现类型感知指代消解；（2）基于适配GraphRAG框架的实体与关系抽取，采用领域导向指令。与GraphRAG基线相比，CORE-KG将节点重复减少33.28%，法律噪声降低38.37%，从而构建出更干净、更连贯的图结构。这些改进使CORE-KG成为分析复杂犯罪网络的强大基础。
引用
@article{arxiv.2506.21606,
title = {Large Language Models as symbolic DNA of cultural dynamics},
author = {Parham Pourdavood and Michael Jacob and Terrence Deacon},
journal= {arXiv preprint arXiv:2506.21606},
year = {2025}
}
备注
28 pages, 1 figure