机器学习基于图神经网络的轻量级大模型框架：科研创意评估系统设计与实现

资源内容介绍

内容概要：本文提出了一种轻量级基于图的大型语言模型（LLM）框架——GraphEval，用于研究创意评估。该框架将复杂的科研想法分解为多个可理解的观点节点，并通过LLM关系抽取或BERT相似度构建观点图。在此基础上，提出了两种评估方法：GraphEval-LP（无需训练的标签传播算法）和GraphEval-GNN（基于图神经网络的预测模型），并通过引入时间信息与伪造抄袭样本来增强对创意新颖性的判断能力。实验表明，该框架在多个数据集上显著优于现有基线方法，F1分数提升至少14%，且计算与API成本较低，还能有效识别剽窃创意。; 适合人群：从事自然语言处理、人工智能评审系统、学术评价自动化等相关领域的研究人员和技术开发者，尤其是关注LLM应用稳定性与公平性的专业人士。; 使用场景及目标：①解决传统LLM在创意评估中因提示敏感性和主观偏见导致的不稳定性问题；②实现对科研论文摘要等复杂语义内容的细粒度、可解释性评估；③提升自动评审系统的准确性与公正性，特别是在检测重复或低创新性工作方面。; 阅读建议：建议结合开源代码（https://github.com/ulab-uiuc/GraphEval）进行实践复现，重点关注观点提取、图构建及新颖性建模模块的设计逻辑，并对比不同GNN架构与关系抽取方式的效果差异，以深入理解其鲁棒性与泛化能力。