基于知识图谱增强大语言模型的真实犯罪播客叙事分析

叙事数据跨越所有学科，为读者或观众提供了一个连贯的世界模型。机器学习和大型语言模型（LLMs）的最新进展在自然语言分析方面取得了巨大进步。然而，大型语言模型（LLMs）在处理复杂的叙事弧以及包含冲突信息的叙事时仍然存在困难。最近的研究表明，用外部知识库增强的LLMs可以提高所得模型的准确性和可解释性。在这项工作中，我们分析了应用知识图谱（KGs）从经典自然语言处理（NLP）和LLM方法理解真实犯罪播客数据的有效性。我们直接比较了知识图谱增强的LLMs（KGLLMs）与经典方法在知识图谱构建、主题建模和情感分析方面的表现。此外，KGLLM允许我们用自然语言查询知识库，并测试其事实性回答问题的能力。我们检查了模型对对抗性提示的鲁棒性，以测试模型处理冲突信息的能力。最后，我们应用经典方法来理解文本中更微妙的方面，例如叙事构建中的传闻和情感的使用，并提出了未来的方向。我们的结果表明，KGLLMs在各种指标上优于LLMs，对对抗性提示更具鲁棒性，并且更能够将文本总结为主题。