Large Language Model-Based Knowledge Graph System Construction for Sustainable Development Goals: An AI-Based Speculative Design Perspective

📄 arXiv: 2504.12309v2 📥 PDF

作者: Yi-De Lin, Guan-Ze Liao

分类: cs.CY, cs.AI, cs.CL, cs.IR

发布日期: 2025-04-05 (更新: 2025-04-18)

备注: This is a minor revision: fixed a typo in the abstract (time range) and corrected minor textual errors

💡 一句话要点

构建基于大语言模型的知识图谱系统，用于可持续发展目标（SDG）的AI推测性设计

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 可持续发展目标 知识图谱 大型语言模型 AI推测性设计 检索增强生成

📋 核心要点

  1. 现有方法难以有效分析SDG之间的复杂关联，缺乏发现潜在新目标的能力，阻碍了可持续发展目标的加速实现。
  2. 本研究提出了一种基于大语言模型的知识图谱系统，结合AI推测性设计，挖掘SDG之间的联系，并预测潜在的新目标。
  3. 实验结果表明，该系统能够有效识别SDG之间的关联，发现新的目标方向，为政策制定者提供有价值的参考。

📝 摘要（中文）

本研究旨在利用人工智能驱动的知识图谱系统，分析可持续发展目标（SDG）之间的相互联系，发现潜在的新目标，并将其可视化。该研究采用AI推测性设计、大型语言模型和检索增强生成技术，利用官方SDG文本、Elsevier的关键词数据集以及1127篇TED演讲稿（2020.01-2024.04），对2023年的269篇演讲稿进行了试点研究。主要发现包括：热图分析揭示了目标10和目标16之间的强关联，以及目标6的覆盖率不足；知识图谱中的模拟对话显示了新的中心节点，表明更丰富的数据支持发散性思维和目标清晰化；提出了六个潜在的新目标，侧重于公平、韧性和技术驱动的包容性。该推测性AI框架为政策制定者提供了新的见解，并为未来多模态和跨系统的SDG应用奠定了基础。

🔬 方法详解

问题定义：当前联合国可持续发展目标（SDG）的进展缓慢，需要创新的加速策略。现有方法在分析SDG之间的复杂关系、发现潜在新目标方面存在不足，难以有效支持政策制定者。本研究旨在构建一个AI驱动的知识图谱系统，以更深入地理解SDG之间的联系，并预测可能的新目标，从而加速SDG的实现。

核心思路：本研究的核心思路是利用大型语言模型（LLM）的强大语义理解和生成能力，结合知识图谱技术，构建一个能够分析SDG相关文本数据、挖掘SDG之间关系、并进行推测性设计的系统。通过模拟对话和可视化，帮助用户更好地理解SDG，并发现潜在的新目标。

技术框架：该系统的整体框架包括以下几个主要模块：1) 数据收集与预处理：收集官方SDG文本、Elsevier关键词数据集和TED演讲稿等数据，进行清洗和预处理。2) 知识图谱构建：利用LLM从文本数据中提取实体和关系，构建SDG知识图谱。3) 推测性设计：利用LLM进行模拟对话，探索不同SDG之间的潜在联系，并生成新的目标建议。4) 可视化：将知识图谱和推测性设计的结果可视化，方便用户理解和分析。

关键创新：本研究的关键创新在于将AI推测性设计与大型语言模型相结合，用于SDG分析和目标预测。传统的SDG分析方法主要依赖于统计数据和专家知识，难以发现隐藏的关联和潜在的新目标。本研究利用LLM的强大语义理解能力，能够更深入地挖掘SDG相关文本数据，并进行创造性的推测性设计。

关键设计：在知识图谱构建方面，使用了基于Transformer的命名实体识别（NER）和关系抽取模型。在推测性设计方面，使用了基于检索增强生成（RAG）的对话模型，通过检索相关的SDG知识，生成更具信息量和创造性的对话内容。具体参数设置和损失函数等细节在论文中未详细说明，属于未知信息。

📊 实验亮点

实验结果显示，热图分析揭示了目标10（减少不平等）和目标16（和平、正义和强大机构）之间的强关联，以及目标6（清洁饮水和卫生设施）的覆盖率不足。知识图谱中的模拟对话显示了新的中心节点，表明更丰富的数据支持发散性思维和目标清晰化。此外，该研究还提出了六个潜在的新目标，侧重于公平、韧性和技术驱动的包容性。

🎯 应用场景

该研究成果可应用于政策制定、可持续发展研究、企业社会责任等领域。通过该系统，政策制定者可以更好地理解SDG之间的联系，制定更有效的政策；研究人员可以更深入地研究可持续发展问题；企业可以更好地履行社会责任，为实现SDG做出贡献。未来，该系统还可以扩展到多模态数据和跨系统应用，进一步提升其应用价值。

📄 摘要（原文）

From 2000 to 2015, the UN's Millennium Development Goals guided global priorities. The subsequent Sustainable Development Goals (SDGs) adopted a more dynamic approach, with annual indicator updates. As 2030 nears and progress lags, innovative acceleration strategies are critical. This study develops an AI-powered knowledge graph system to analyze SDG interconnections, discover potential new goals, and visualize them online. Using official SDG texts, Elsevier's keyword dataset, and 1,127 TED Talk transcripts (2020.01-2024.04), a pilot on 269 talks from 2023 applies AI-speculative design, large language models, and retrieval-augmented generation. Key findings include: (1) Heatmap analysis reveals strong associations between Goal 10 and Goal 16, and minimal coverage of Goal 6. (2) In the knowledge graph, simulated dialogue over time reveals new central nodes, showing how richer data supports divergent thinking and goal clarity. (3) Six potential new goals are proposed, centered on equity, resilience, and technology-driven inclusion. This speculative-AI framework offers fresh insights for policymakers and lays groundwork for future multimodal and cross-system SDG applications.