LLM for the development of FCM

📄 arXiv: 2607.04983v1 📥 PDF

作者: Alexis Kafantaris

分类: cs.NE, cs.AI, cs.ET, cs.GL, cs.LG

发布日期: 2026-07-06

💡 一句话要点

利用局部大语言模型开发模糊认知图

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 模糊认知图 大语言模型 文本数据提取 客户满意度 数据驱动

📋 核心要点

  1. 现有方法在从文本中提取定量数据方面存在局限，难以有效构建模糊认知图。
  2. 论文提出利用局部大语言模型提取酒店评论中的定量信息，以构建数据驱动的模糊认知图。
  3. 实验结果表明，所构建的模糊认知图能够有效反映评论者的偏好，并与星级评分存在相关性。

📝 摘要（中文）

本文讨论了如何利用局部大语言模型（LLM）开发模糊认知图（FCM）。随着大语言模型的进步，局部LLM如Qwen2.5-32B能够从文本数据中提取定量信息。通过将酒店评论作为输入，模型生成的数据用于构建数据驱动的模糊认知图。研究中还对希腊评论进行了案例分析，形成了星型拓扑的FCM，表明评论者的偏好。最后，进行了外部验证，以确定模糊认知图是否能够与评论的星级评分相关联，这是模型推理范围之外的结果。

🔬 方法详解

问题定义：本文旨在解决如何从文本数据中有效提取定量信息以构建模糊认知图的问题。现有方法在这一方面的表现不佳，限制了模糊认知图的应用。

核心思路：论文的核心思路是利用局部大语言模型（如Qwen2.5-32B）从酒店评论中提取相关的定量数据，并将其用于构建模糊认知图。通过这种方式，模型能够在未经过滤的情况下处理评论数据，从而提高信息提取的准确性。

技术框架：整体架构包括数据收集、模型输入、信息提取、模糊认知图构建和评估五个主要模块。首先，从TripAdvisor收集酒店评论，然后将其输入到局部LLM中进行处理，最后构建模糊认知图并进行评估。

关键创新：最重要的技术创新在于将局部大语言模型应用于模糊认知图的构建，突破了传统方法在定量信息提取上的局限性。与现有方法相比，该方法能够更好地捕捉文本中的复杂关系。

关键设计：在模型设计中，采用了特定的参数设置以优化信息提取效果，损失函数的选择也经过精心设计，以确保模型能够准确反映评论者的偏好。

🖼️ 关键图片

fig_0
img_1
img_2

📊 实验亮点

实验结果显示，所构建的模糊认知图能够有效反映评论者的偏好，并与星级评分之间存在显著相关性。具体而言，模型在处理未过滤的评论数据时，能够准确提取出与客户满意度相关的定量信息，提升了信息提取的准确性和实用性。

🎯 应用场景

该研究的潜在应用领域包括酒店管理、客户满意度分析和市场研究等。通过构建模糊认知图，企业能够更好地理解客户偏好，从而优化服务和提升客户体验。未来，该方法还可以扩展到其他行业的文本数据分析中，具有广泛的实际价值。

📄 摘要（原文）

This article is about the development of a fuzzy cognitive map using a local large language model. In the light of recent advances it is evident that large language models, and even local large language models are capable of extracting quantities from textual data. In other words, a local LLM like Qwen2.5-32B, or probably larger, can accept entities as prompt input and determine relevant quantitative data as the model output. In turn, this output can be utilized for the construction of a data driven fuzzy cognitive map. Hence, this implementation is achieved and then the model is thoroughly tested; Qwen2.5-32B is used and the data is extracted from hotel reviews from TripAdvisor. Furthermore, the extracted documents pass through the model unfiltered and then a fuzzy cognitive map is trained and evaluated. A case is made about Greek reviews where a star topology FCM is formed that indicates the preferences of the reviewers. Finally, external validation is performed to establish whether the fuzzy cognitive map can correlate the star rating of the review -an outcome outside the model's inference scope -with its predicted satisfaction.