threadr

Description

Créez un outil de graphe social OpenSource identifiant les relations entre les acteurs, en particulier les acteurs de menace, la création de graphiques et de grappes. Identifiez la force des relations acteur-acteur ou acteur-to-cluster.

Objectifs du projet

• Identifiez les acteurs en observant les médias sociaux, les salles de chat, etc.
• Trouver et stocker des relations entre les acteurs
• Attribuer des poids aux relations
• Identifier les grappes d'acteurs
• Attribuer des poids aux clusters
• Adopter l'IRC, le relâchement, la discorde, etc.
• Création automatique du dossier
• Query LLM / Rag

Communauté

Rejoignez-nous sur nos https://discord.gg/ynzmajvb

Incorporer

Les messages de chat seront exécutés via un transformateur d'intégration ou de phrase pour créer des veclaisations et seront enregistrés dans un index vectoriel.

Ragrand

Les LLM fondées sur les graphiques de connaissances (graph-rag) seront utilisées pour répondre à des questions telles que "Alice connaît-il Bob?"

Et "Qu'est-ce que Alice sait sur Bob?"

Inférer les relations

Inférer les forces de la relation

Comme le projet Jibble, nous utiliserons les robots IRC pour surveiller les salles de chat et déduire les relations entre les acteurs. Nous utiliserons les méthodes suivantes pour déduire les relations:

• Adresse directe (par exemple "Hey @Carverauto, qu'en pensez-vous?")
• Proximité temporelle (par exemple "Je suis d'accord avec le point de @ Carverauto")
• Densité temporelle - À quelle fréquence les deux acteurs interagissent-ils?

Inférence sémantique en utilisant un LLM

Les LLM peuvent améliorer considérablement le processus d'inférence en comprenant le contexte, le sentiment et les subtilités de la conversation humaine au-delà des capacités des systèmes traditionnels basés sur des règles.

Résumé programmé: périodiquement, le système peut invoquer un LLM pour résumer les conversations récentes. Cela aide non seulement à comprendre le discours général, mais peut également mettre en évidence des thèmes ou des sujets récurrents autour des relations peut se former.

Collection basée sur le déclencheur: implémenter des déclencheurs basés sur des indices conversationnels, tels que des pauses dans le dialogue ou des changements dans des sujets, pour capturer et analyser des instantanés de conversations. Cette méthode garantit que l'analyse est contextuellement pertinente et opportune.

Analyse basée sur les intervalles: Similaire à la fenêtre, cela implique d'examiner les conversations dans des intervalles de définition pour déduire les relations et résumer le contenu. Cette approche peut être ajustée dynamiquement en fonction du volume de conversation ou des événements spécifiques dans la salle de chat.

Sélection de leader

Analyser la conversation pour trouver des leaders de conversation ou le leader perçu, pour de nombreux contextes différents (chat primaire ou dans un cluster)

Défis

• Nick change - Comment suivre un utilisateur qui change son Nick? Base de données de style BBB?
• Dissociation des acteurs

• Comment gérons-nous les acteurs qui ne sont pas dans la même pièce?
• Comment gérons-nous les acteurs qui sont dans la même pièce mais n'interagissent jamais?
• Comment gérons-nous les acteurs qui sont dans la même pièce mais n'interagissent jamais d'une manière que nous pouvons déduire une relation?

• Messages privés - Impossible de déduire les relations à partir de messages privés sans accès aux messages, pourrait être une fonctionnalité future.

Visualiser les relations

• Entrée de ressort - un algorithme de mise en page de graphique dirigé par la force
• Modèle de force d'intégration à ressort modifié - un algorithme de mise en page de graphique dirigé par la force avec un intérêt à ressort modifié

Décroissance temporelle

Si nous sommes en mesure de déduire la force des relations, nous pouvons utiliser un modèle de décroissance temporelle pour réduire la force des relations au fil du temps.

Filtrage de spam

TBD