基于大型语言模型的户外路线推荐聊天机器 人及其检索增强生成方法的经验教训.pdfVIP

基于大型语言模型的户外路线推荐聊天机器

人及其检索增强生成方法的经验教训

JuliaAnnMathewandSuiningHe

{julia.ann_mathew,suining.he}

UbiquitousUrbanComputingLab

SchoolofComputing

UniversityofConnecticut

本

译摘要1介绍

中户外休闲活动（如徒步和骑行）日益流行，这推动了对户外休闲活动需求的增加产生了对户外步道推荐[9]的

1能够提供信息丰富且个性化的户外路线建议的对话式需求。这种推荐旨在整合分散的知识，如步道位置、难

vAI系统的市场需求。为响应这一需求，面临以下挑战：度、长度和允许的活动（例如骑自行车），并提供准确

2

5(1)如何通过对话式AI准确地提供户外路线信息；(2)的步道推荐，以规划安全愉快的活动。

6

5如何实现可用且高效的推荐服务。为了应对上述问题，为满足这一需求，本原型研究讨论了基于对话式

0.本文讨论了从开发基于大型语言模型（LLM）和检索人工智能的户外路线推荐聊天机器人Judy开发中的

8增强生成（RAG）的户外路线推荐聊天机器人Judy中实际经验和见解。在Judy的开发和部署过程中，我们

0

5获得的初步和实用经验教训。为了获得具体的系统见调查了以下两个问题。首先，如何提供准确的户外路

2

:解，我们在美国康涅狄格州（CT）的户外路线进行了线知识以应对复杂的用户查询？现有的基于规则的推

v

i案例研究。我们进行了网络数据收集、户外路线数据荐聊天机器人大多遵循预定义的工作流程。虽然它们

x

r管理以及基于RAG的推荐LLM模型性能的研究。我可以处理特定且结构化的推荐任务，但这些聊天机器

a

们的实验结果证明了基于LLM与RAG的Judy在推人无法处理偏离其预定义规则的复杂或定制化查询，

荐户外路线方面的准确性、有效性和可用性。从而限制了它们的推荐能力。另一方面，基于对话式

人工智能的通用聊天机器人可能缺乏有效的户外路线

推荐所需的领域特定知识。第二，如何实现可用且高

效的推荐服务？现有的户外路线推荐平台如AllTrails[11]

CCSConcepts提供静态信息。然而，这些平台大多缺乏对话互动性。

因此，用户通常需要在多个路线评论中筛选以规划他

•Computingmethodologies→Artificialintelligence.

们的行程。

为了解答上述问题，我们进行了现实世界的户外

路线数据研究（超过260条康涅狄格州的路线），并开

发了Judy系统作为具有检索增强生成(RAG)[10]功

Keywords能的大语言模型(LLM)推荐聊天机器人。