提示:通过超图形可视化和INT智能代理,对大量文档集合进行感知

科学领域:

• 信息可视化 信息可视化
• 人与计算机的交互
• 自然语言处理自然语言处理.

背景情况:

• 对大型文档集合的理解是具有挑战性的,现有的基于主题和实体的方法受到NLP模型能力的限制.
• 设计不好的提示和可视化提示可能会误导用户,并降低系统的可信度.
• 大型语言模型 (LLM) 为文档分析提供了更高的准确性和可定制性.

研究的目的:

• 通过将用户分析任务和可视化目标集成到基于提示的数据提取中来解决文档感知方面的局限性.
• 介绍HINTs,一个可视化 (VA) 系统,它结合了基于实体和主题的方法来进行库分析.
• 通过模型对齐来提高感知系统的可靠性和有效性.

主要方法:

• 开发了一个三阶段的可视化管道:基于提示的实体和主题提取,超图建模和层次聚类,以及增强的填充空间的曲线布局.
• 集成了一个基于LLM的智能聊天机器人代理,以促进交互式探索和感知.
• 进行了案例研究和比较用户研究,以证明可概括性和有效性.

主要成果:

• 通过结合实体和主题视角,HINTs有效地支持大型文档集合的感知.
• 基于LLM的智能代理可以解决许多感知挑战,但视觉提示仍然对于准确的解释至关重要.
• 该系统的基于提示符的数据提取方法,以用户任务和可视化目标为指导,增强了模型对齐.

结论:

• 智能代理和交互式可视化可以协同结合,以改善语料库分析.
• 视觉提示对于确保LLM辅助感知制造的可信性和可解释性至关重要.
• 需要进一步的研究来深入整合交互式可视化和LLM来进行高级的语料库分析.