用半结构化数据增强LLM的预测性政治问答

预测性政治问答（QA），例如预测某个政治行为者将如何投票，超越了事实查询。外部政治资源提供丰富的历史证据，但很少直接包含答案本身。现有LLM增强方法，包括基于行为者画像的模拟和知识图谱证据注入，改善了政治推理，但大体把外部资源当作知识型证据，预测相关信号未被充分建模。我们识别出预测性政治QA的两种互补信号：捕捉议题特定偏好的行为者立场，以及捕捉政治行为者之间间接依赖的高阶结构信号。我们提出PSL，一个双视角框架，把半结构化政治记录转换为面向推理的LLM证据。PSL在语义视角下从与问题相关的行为者记录中提取立场信号，并在向量视角下从行为者交互图学习结构感知的行为者表征。在三个真实世界数据集和多个LLM上，PSL持续优于基线，消融实验证实了立场与结构信号的互补增益。