PRAGyan——连接推文中的信息点

随着社交媒体平台的发展，理解事件和陈述背后的深层原因对企业、政策制定者和研究人员变得至关重要。本研究探索了将知识图谱（KGs）与大语言模型（LLMs）相结合，对推文数据集进行因果分析。LLM辅助的分析技术往往在揭示驱动观察效应的原因方面缺乏深度。通过利用编码了丰富语义关系和时间信息的知识图谱和大语言模型，本研究旨在揭示影响因果动态的复杂因素相互作用，并将结果与使用GPT-3.5 Turbo获得的结果进行比较。我们采用了一种检索增强生成（RAG）模型，利用以Neo4j（又名PRAGyan）数据格式存储的知识图谱来检索相关上下文以进行因果推理。我们的方法表明，随着源语料库规模的增加，与基线大语言模型（GPT-3.5 Turbo）相比，知识图谱增强的大语言模型检索增强生成模型可以提供改进的结果。我们的定性分析强调了将知识图谱与大语言模型相结合的优势，即提高可解释性和可操作的洞察力，有助于跨领域的知情决策。而使用BLEU和余弦相似度等指标的定量分析表明，我们的方法比基线模型性能高出10%。