大语言模型引导的极化社交图解耦信念表示学习

基于摘要分析。本文研究极化社交网络中的信念表示学习：将用户及帖子表达的社会信念映射到可区分不同阵营的解耦潜在空间，并利用 LLM 生成的软标签补充社交交互图的信息。其主要贡献是融合图结构与文本线索的弱监督、可解释图表示学习框架，研究对象并非 EEG 或 BCI。 机制方面，作者此前使用非负变分图自编码器对社交交互数据进行解耦表示学习；本文针对仅依赖交互图时可能受到稀疏性和离群点影响的问题，引入有限的 LLM 引导。作者称，该框架保留了潜在空间的可解释性，不同坐标轴表示与不同阵营的关联。摘要未交代软标签生成流程、引导样本的选择方式、监督规模、损失形式及具体融合位置，尚不能据此还原实现。 作者报告，在六个真实 Twitter 数据集的立场检测评估中，Accuracy、F1 和 purity 指标提升 5.9%–6.5%，且未引入显著计算开销。摘要未明确各指标与提升幅度的对应关系、比较基线，以及该幅度属于相对提升还是百分点变化，因此不能进一步量化解释。作者还提及组件消融，但具体结果未在摘要中给出。 复现时需核对数据集身份、图构建方式、训练与测试划分、LLM 及提示配置、软标签覆盖率、比较基线和开销统计口径；实验协议、消融及统计信息尚未验证。该方法依赖社交交互结构及可由文本推断的立场监督，现有材料未建立其与 EEG 信号或 BCI 任务的具体机制对应关系，因此不据此提出迁移效果或复现实验建议。