1. 大模型+图神经网络应用

图1：美国国会参议员投票模型整体框架图

项目说明：投票是民主政治的基础，是表达民意、制定政策的主要机制。在美国国会，国会议员通过起草和共同提出提案并对各种议案进行投票来参与决策过程。这些投票不仅体现了议员的个人立场，也反映了政党利益和政策优先级。在全球化的今天，美国国会的决策往往具有国际影响力。为了了解议员在决策过程中的投票倾向和行为模式，我们提出了一种基于大语言模型和超图的国会议员投票结果预测方法，模型框架结构如图1所示：

1. 首先根据参议员共同发起提案的信息，使用超图构造参议员特征，改善了GCN模型只能对议员的点对点关系进行建模的不足；
2. 接下来引入大语言模型，把议案的文本信息与投票预测任务写进prompt中，同时使用一种简单高效的方案将图数据映射到大语言模型空间，使得LLM可以理解超图表示；
3. 结合prompt与议员的图嵌入，输入经过预训练的LLM（例如LLaMA），从而得到一个植根于LLM现有知识的新特征表示，不仅提高LLM对参议员与议案之间关联的理解能力，也挖掘出现有大语言模型在投票预测问题上的潜力。 该技术可以用于对社交网络中人物行为的预测、重要信息传播的判断、危害消息的预测，等等。