审阅审阅者：基于图结构增强的大语言模型用于电商吸引力裁决
计算与语言
2026-03-23 v1 信息检索
摘要
分层审查工作流程中，第二层审查员（Checker）纠正第一层（Maker）决策，产生具有宝贵纠错信号，这些信号编码了初始判断失败的原因。然而，仅能通过信息不对称来学习这些信号受到限制：纠正往往依赖Maker或自动化系统无法获取的验证操作。为此，我们提出以显式动作建模为推理约束的框架，使推理依赖于可验证的操作而非非受约束的文本生成。我们提出证据-动作-因素-决策（Evidence-Action-Factor-Decision, EAFD）模式，这是一种用于裁决推理的最小化表示，通过操作性 grounding 防止幻觉，并通过显式冲突建模实现从纠错信号中学习。基于该模式，我们构建了冲突感知的图结构推理框架：（1）从历史案例中构建EAFD图，捕捉Maker-Checker间的 disagreement；（2）将其聚合为可检索的知识库；（3）通过从前例投影已验证的解决路径，对新案件进行自上而下的演绎推理。一个独特能力是请求更多信息（Request More Information, RMI）结果：当证据不足时，系统精确定位哪些验证操作未被执行，并生成针对性的信息请求。我们在大规模电商卖家申诉裁决中评估了该框架。虽然标准的仅使用大语言模型的基线方法仅实现70.8%的人类专家一致率，但 incorporating 动作建模与RMI后提升至87.5%。进一步augmenting以检索式知识图谱后，获得最佳离线性能95.8%。在线部署后，该框架保持稳健性能，实现96.3%的一致率，证明其实际效果。
引用
@article{arxiv.2603.19267,
title = {Reviewing the Reviewer: Graph-Enhanced LLMs for E-commerce Appeal Adjudication},
author = {Yuchen Du and Ashley Li and Zixi Huang},
journal= {arXiv preprint arXiv:2603.19267},
year = {2026}
}
备注
10 pages, 3 figures, KDD 2026 Applied Data Science Track