用于瑞士议员意识形态预测的图增强 LLM

估算议会议员 (MP) 的意识形态立场是政治学的一项基本任务，有助于研究人员了解立法行为、政党联盟和政策偏好。虽然 大语言模型 (LLM) 在评估议员的意识形态立场方面显示出有希望的结果，但议会系统中有更多的参与者和要素以及它们之间的关系，可以提供更广泛、信息更丰富的情况。然而，由于将它们集成到预测任务中的复杂性，这些附加元素通常被忽略。在这项工作中，我们提出了一个 LLM 框架 PG-RAG，它实现了检索增强生成管道：它首先查询政治知识图（KG），然后将生成的图结构信息集成到上下文中。这允许捕获文本语义和国会议员之间的关系，这是任何议会系统中的另一个相关信息源。我们使用瑞士议会数据集中的数据评估意识形态预测任务的方法。当将图增强模型与几个最先进的基线进行比较时，结果表明，合并这些丰富的信息（对不同实体和关系的信息进行编码）可以提高预测性能。这些结果有助于强调特定领域的关系信息在政治行为建模中的价值。