GraphCompliance：将策略和上下文图与基于LLM的合规性对齐

于红博

摘要: Web规模的合规性面临实际挑战：每个请求可能需要进行监管评估。监管文件（例如《通用数据保护条例》GDPR）具有交叉参考和规范性，而运行时环境以非结构化自然语言表达。在这种设置下，我们被激励将非结构化文本中的语义信息与规定性元素对齐。为此，我们引入了GraphCompliance框架，将监管文件表示为政策图，并将运行时环境表示为上下文图，然后进行对齐。在这种形式化中，政策图编码规范结构和交叉引用，而上下文图将事件形式化为主-动-宾（SAO）和实体-关系三元组。这种对齐将法官大型语言模型（LLM）的推理锚定在结构化信息中，并有助于减轻监管解释和事件分析的负担，从而使关注点集中在核心推理步骤上。在涵盖五个评估任务的300个源自GDPR的真实世界场景的实验中，GraphCompliance相比LLM-only和RAG基线产生了4.1-7.2个百分点（pp）更高的微平均F1值，且少有欠预测和过度预测，导致更高的召回率和更低的误报率。消融研究表明每个图组件的贡献，表明结构化表示和法官LLM对规范性推理是互补的。

更新时间: 2025-10-30 09:53:16

领域: cs.AI,cs.IR,I.2.7

下载: http://arxiv.org/abs/2510.26309v1