当 LLM 遇见超图：基于在线社交网络的人格社会学分析

个体的人格显著影响我们的感知、决策和社交互动，这在从事在线社交网络分析以洞察人类行为模式方面尤为关键。许多心理学研究都表明，人格强烈地反映在其社会行为和社会环境中。在此基础上，本文提出了一个从环境视角而非单个层次数据挖掘的个体人格社会学分析框架。具体而言，为了全面理解来自低质量记录的个体行为，我们利用 LLM 的强大关联能力，通过设计有效的提示语（prompt）来实现。这使得 LLM 能够将各种分散的信息与其外部知识相结合，以生成更高质量的个人资料，从而显著提高人格分析性能。为探索用户及其在线环境之间的交互机制，我们设计了一个有效的超图神经网络，其中超图节点为用户，超图中的超边为社交环境。我们提供了一个包含用户个人资料、人格特征以及来自真实世界社交平台上检测到的多个环境的数据集。据我们所知，这是第一个包含超图结构和社交信息的数据集，可能进一步推动该领域的未来研究。通过在该数据集上应用该框架，我们能够有效捕捉个体人格及其在线行为的细微差异，从而加深对数字世界中人类互动的理解。