Transit Pulse：利用大型语言模型从社交媒体中提取客户反馈与信息

交通系统用户每天会在社交网络上发布大量包含关键见解的消息，这些见解对于改进服务质量至关重要。这些帖子帮助交通机构快速识别新出现的议题。解析话题和情感是从综合角度获取见解以促进卓越服务的关键。然而，信息量庞大使得手动分析变得不可行，传统NLP技术如术语频率-逆文档频率（TF-IDF）在细致解读方面不足。传统情感分析将话题和情感分离处理，常常忽略它们之间的相互作用，这增加了分类复杂度并降低了分析效率。为此，我们提出一种新方法，用于从社交媒体中提取和分析交通相关信息，包括情感和讽刺检测、异常系统问题识别以及位置数据。该方法采用大型语言模型（LLM），具体为Llama 3，进行无需预设话题标签的简化分析。为增强模型的领域特定知识，我们利用检索增强生成（RAG）将外部知识源整合到信息提取流程中。我们通过在真实交通系统用户推文数据上的大量实验，对比传统NLP方法的表现，验证了我们方法的有效性。我们的结果表明，大型语言模型有望变革公共交通领域的社交媒体数据分析，提供可操作的见解，并通过从更广泛的信息中提取见解，提高交通机构的响应能力。