threadr

Beschreibung

Erstellen Sie ein OpenSource Social Graph -Tool, das Beziehungen zwischen Akteuren, insbesondere Bedrohungsakteuren, identifiziert und Diagramme und Cluster erstellen. Identifizieren Sie die Stärke der Beziehungen, die Akteur-Schauspieler oder Akteur-zu-Cluster-Akteur.

Projektziele

• Identifizieren Sie Akteure, indem Sie Social Media, Chatrooms usw. beobachten.
• Finden und speichern Beziehungen zwischen Schauspielern
• Weihungen zu Beziehungen zuweisen
• Identifizieren Sie Cluster von Akteuren
• Weisen Sie den Clustern Gewichte zu
• IRC, Slack, Zwietracht usw. adoptieren.
• Automatische Dossiererstellung
• Abfrage LLM/RAG

Gemeinschaft

Begleiten Sie uns auf unserer https://discord.gg/ynzmajvb

Einbettungen

Chat -Nachrichten werden über einen Einbettungs- oder Satztransformator ausgeführt, um Vektorisierungen zu erstellen, und werden in einem Vektorindex gespeichert.

Graph-Rag

LLMs, die durch Wissensgrafiken (Graph-RAG) begründet sind, werden verwendet, um Fragen wie "Kennt Alice Bob?"

und "Was weiß Alice über Bob?"

Beziehungen schließen

Beziehungsstärken schließen

Wie das Jibble -Projekt werden wir IRC -Bots verwenden, um Chatrooms zu überwachen und Beziehungen zwischen Schauspielern zu schließen. Wir werden die folgenden Methoden anwenden, um Beziehungen zu schließen:

• Direkte Adressierung (zB "Hey @Carverauto, was denkst du?")
• Temporaler Nähe (zB "Ich stimme @carverautos Punkt" zu ")
• Zeitdichte - Wie oft interagieren zwei Schauspieler?

Semantische Inferenz mit einem LLM

LLMs können den Inferenzprozess erheblich verbessern, indem sie den Kontext, die Stimmung und die Feinheiten der menschlichen Konversation über die Fähigkeiten traditioneller regelbasierter Systeme hinaus verstehen.

Geplante Zusammenfassung: In regelmäßigen Abständen kann das System ein LLM aufrufen, um die jüngsten Gespräche zusammenzufassen. Dies hilft nicht nur beim Verständnis des allgemeinen Diskurses, sondern kann auch wiederkehrende Themen oder Themen hervorheben, in denen sich Beziehungen bilden können.

Trigger-basierte Sammlung: Implementieren Sie Trigger basierend auf Konversationshinweise, wie z. Diese Methode stellt sicher, dass die Analyse kontextuell relevant und zeitnah ist.

Intervallbasierte Analyse: Ähnlich wie bei der Fensterung werden Gespräche in festgelegten Intervallen untersucht, um Beziehungen zu schließen und Inhalte zusammenzufassen. Dieser Ansatz kann dynamisch auf der Basis des Gesprächs oder bestimmten Ereignissen innerhalb des Chatraums eingestellt werden.

Auswahl der Führer

Analysieren Sie Konversation, um Gesprächsführer oder den wahrgenommenen Führer für viele verschiedene Kontexte (primärer Chat oder innerhalb eines Clusters) zu finden.

Herausforderungen

• Nick ändert sich - Wie verfolgen wir einen Benutzer, der seinen Nick ändert? Datenbank im BBB -Stil?
• Akteur -Disassoziation

• Wie gehen wir mit Schauspielern um, die nicht im selben Raum sind?
• Wie gehen wir mit Schauspielern um, die sich im selben Raum befinden, aber nie interagieren?
• Wie gehen wir mit Schauspielern um, die sich im selben Raum befinden, aber nie so interagieren, wie wir eine Beziehung schließen können?

• Private Nachrichten - kann keine Beziehungen aus privaten Nachrichten mit Zugriff auf die Nachrichten abschließen, könnten eine zukünftige Funktion sein.

Beziehungen visualisieren

• Federeinbettder - eine Kraft -Richtungs -Diagramm -Layout -Algorithmus
• Modifiziertes Feder -Einbett -Kraftmodell - Ein Kraft -Layout -Algorithmus für Kraft -Graphen mit einem modifizierten Federbettder

Zeitlicher Verfall

Wenn wir in der Lage sind, die Stärke der Beziehungen zu schließen, können wir ein zeitliches Zerfallsmodell verwenden, um die Stärke der Beziehungen im Laufe der Zeit zu verringern.

Spamfilterung

TBD