LLM 驱动的核心指代消解知识图谱用于人类走私网络
人工智能
2025-10-31 v1 信息检索
机器学习
摘要
人类走私网络复杂且不断演变，难以进行全面分析。法律案件文件提供了关于这些网络的丰富事实和程序性见解，但往往篇幅长大且结构松散，充斥着模糊或不断变化的指代，为自动化知识图谱（KG）构建带来了重大挑战。现有方法要么忽略核心指代消解，要么无法扩展到短文本范围，导致图谱碎片化和实体链接不一致。我们提出了 LINK-KG，一个模块化框架，将由 LLM 引导的三阶段核心指代消解管道与下游 KG 提取集成。我们方法的核心是类型特定的提示缓存，它持续跟踪并消解文档块中的指代，使从短文本和长法律文本构建结构化知识图谱的叙事清晰且消解。LINK-KG 将平均节点重复减少 45.21%，将噪声节点减少 32.22%，从而产生更干净、更连贯的图谱结构。这些改进将 LINK-KG 确立为分析复杂犯罪网络的强大基础。
引用
@article{arxiv.2510.26486,
title = {LINK-KG: LLM-Driven Coreference-Resolved Knowledge Graphs for Human Smuggling Networks},
author = {Dipak Meher and Carlotta Domeniconi and Guadalupe Correa-Cabrera},
journal= {arXiv preprint arXiv:2510.26486},
year = {2025}
}
备注
Accepted in ICKG 2025 Conference, 8 Pages, 2 Figures