将加密资产归属标签链接到知识图谱实体：基于 LLM 的方法
密码学与安全
2025-02-18 v1 人工智能
计算与语言
数据库
机器学习
摘要
归属标签构成了现代加密资产取证的基础。然而，不一致或不正确的标签可能误导调查，甚至导致错误指控。为了解决这一问题，我们提出了一种基于大语言模型 (LLM) 的新型计算方法，将归属标签与定义明确的知识图谱概念相链接。我们在端到端流水线中实现了该方法，并通过实验表明，我们的方法在三个公开可用的归属标签数据集上的 F1-score 相比基线方法最高提升了 37.4%。通过引入概念过滤和屏蔽过程，我们生成了包含五个知识图谱实体的候选集，在不依赖标注数据的情况下实现了 93% 的召回率。此外，我们证明本地 LLM 模型可以达到 90% 的 F1-score，与远程模型达到的 94% 相当。我们还分析了各种 LLM 和提示模板的成本-性能权衡，表明选择最具成本效益的配置可以将成本降低 90%，同时仅造成 1% 的性能下降。我们的方法不仅提升了归属标签的质量，还为构建更可靠的取证证据提供了蓝图。
引用
@article{arxiv.2502.10453,
title = {Linking Cryptoasset Attribution Tags to Knowledge Graph Entities: An LLM-based Approach},
author = {Régnier Avice and Bernhard Haslhofer and Zhidong Li and Jianlong Zhou},
journal= {arXiv preprint arXiv:2502.10453},
year = {2025}
}
备注
Accepted at Financial Cryptography and Data Security 2025 Conference (FC2025)