文章核心總結與翻譯一、主要內容本文提出了一種可解釋的混合框架，用于大規模文本語料庫的敘事分析，核心是將詞袋模型（BoW）的主題建模與基于大型語言模型（LLM）的問答（QA）敘事模型相結合，共享再生核希爾伯特空間（RKHS）的潛在表示。核心流程主題篩選：通過BoW主題模型對語料庫進行無監督主題學習，由LLM篩選出與用戶興趣相關的主題及對應文檔；問答生成：LLM設計分類問題并對篩選后的文檔作答，將文檔轉化為結構化的QA向量；敘事建模：基于QA數據構建雙softmax敘事模型，每個敘事對應一組問答概率分布（PMF），可解釋為對語料的連貫視角；高效推斷與外推：通過函數梯度下降實現模型學習，借鑒Transformer架構設計上下文問答外推機制，無需重復查詢LLM即可預測未標注文檔的問答結果；多場景驗證：在聯合國大會演講（2002-2007）、NeurIPS會議論文（1987-2019）等數據集上驗證，支持跨語言分析（中英雙語）。關鍵優勢可解釋性：從問題設計、敘事結構到證據溯源均透明可審計；高效性：減少LLM重復調用成本，支持大規模語料擴展；靈活性：適配多語言、多領域（地