Fugu-MT 論文翻訳(概要): TourLLM: Enhancing LLMs with Tourism Knowledge

論文の概要: TourLLM: Enhancing LLMs with Tourism Knowledge

arxiv url: http://arxiv.org/abs/2407.12791v1
Date: Tue, 18 Jun 2024 09:15:46 GMT
ステータス: 処理完了
システム内更新日: 2024-07-22 08:57:39.467826
Title: TourLLM: Enhancing LLMs with Tourism Knowledge
Title（参考訳）: TourLLM: LLMを観光知識で強化する
Authors: Qikai Wei, Mingzhi Yang, Jinqiang Wang, Wenwei Mao, Jiabo Xu, Huansheng Ning,
Abstract要約: 我々はカルトゥールという文化・観光分野のための教師付き微調整データセットを構築した。このデータセットは、観光知識ベースQAデータ、旅行情報データ、観光多様性QAデータという3つの部分から構成される。カートゥールで微調整されたQwenベースのモデルであるTourLLMを提案し,アトラクションや旅行計画に関する情報の質を向上させる。
参考スコア（独自算出の注目度）: 3.034710104407876
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recently, large language models (LLMs) have demonstrated their effectiveness in various natural language processing (NLP) tasks. However, the lack of tourism knowledge limits the performance of LLMs in tourist attraction presentations and travel planning. To address this challenge, we constructed a supervised fine-tuning dataset for the culture and tourism domain, named Cultour. This dataset consists of three parts: tourism knowledge base QA data, travelogues data, and tourism diversity QA data. Additionally, we propose TourLLM, a Qwen-based model supervised fine-tuned with Cultour, to improve the quality of the information provided about attractions and travel planning. To evaluate the performance of TourLLM, we employed both automatic and human evaluation, and we proposed a human evaluation criterion named CRA (Consistency, Readability, Availability). The experimental results demonstrate the effectiveness of the responses generated by the TourLLM. Our proposed Cultour is accessible at https://github.com/mrweiqk/Cultour.
Abstract（参考訳）: 近年,様々な自然言語処理(NLP)タスクにおいて,大規模言語モデル(LLM)の有効性が実証されている。しかし、観光知識の欠如は観光案内や旅行計画におけるLLMのパフォーマンスを制限している。この課題に対処するため,我々はカルトゥール(Cultour)という文化・観光分野のための教師付き微調整データセットを構築した。このデータセットは、観光知識ベースQAデータ、旅行情報データ、観光多様性QAデータという3つの部分から構成される。また,カートゥールで微調整されたQwenベースのモデルであるTourLLMを提案し,アトラクションや旅行計画に関する情報の質を向上させる。 TourLLMの性能を評価するために,自動評価と人的評価を併用し,CRA(Consistency, Readability, Availability)という評価基準を提案した。実験の結果,TourLLMが生成した応答の有効性が示された。提案したCultourはhttps://github.com/mrweiqk/Cultour.comで利用可能です。

関連論文リスト

To the Globe (TTG): Towards Language-Driven Guaranteed Travel Planning [54.9340658451129]
To the Globe(TTG)は、ユーザから自然言語要求を受け取り、それをシンボリックフォームに変換するリアルタイムのデモシステムである。システム全体の応答に5秒を要し、保証されたイテナリでユーザ要求に応答する。ユーザによる評価では、TTGは生成した繰り返しで35-40%のネットプロモータースコア(NPS)を一貫して達成する。
論文参考訳（メタデータ） (2024-10-21T19:30:05Z)
RAG-Optimized Tibetan Tourism LLMs: Enhancing Accuracy and Personalization [30.193180894907663]
既存の大規模言語モデル(LLM)は、パーソナライズされたレコメンデーション機能と、時に幻覚を引き起こす可能性のあるコンテンツの生成において、課題に直面している。本研究では,検索強化世代(RAG)技術に基づくチベット観光LLMの最適化手法を提案する。
論文参考訳（メタデータ） (2024-08-21T21:34:01Z)
Research on Tibetan Tourism Viewpoints information generation system based on LLM [26.88700599751214]
本研究は,チベット観光観光地における情報格差の影響について考察する。 LLM(Large Language Model)評価基準の確立という課題に対処する。これは、教師付き微調整技術を採用した革新的なアプローチであるDualGen Bridge AIシステムを導入している。
論文参考訳（メタデータ） (2024-07-18T14:31:53Z)
Agent Planning with World Knowledge Model [88.4897773735576]
エージェント計画を容易にするためにパラメトリック世界知識モデル(WKM)を導入する。我々はWKMを開発し,グローバルプランニングと動的状態知識を指導し,地域プランニングを支援する。本手法は, 各種の強靭なベースラインと比較して, 優れた性能が得られる。
論文参考訳（メタデータ） (2024-05-23T06:03:19Z)
Wireless Crowd Detection for Smart Overtourism Mitigation [50.031356998422815]
この章では、モバイルデバイスのワイヤレスアクティビティに基づいたオーバツーリズムを監視するための、低コストなアプローチについて説明する。群集センサは、無線技術のトレース要素を検出することで、周囲のモバイルデバイスの数をカウントする。いくつかの技術で検出プログラムを実行し、指紋解析の結果は匿名データベースにのみローカルに保存される。
論文参考訳（メタデータ） (2024-02-14T13:20:24Z)
Large Language Models for Travel Behavior Prediction [8.069026355648049]
我々は,大規模言語モデルを用いて,データに基づくパラメータ学習を必要とせずに,迅速なエンジニアリングで旅行行動を予測することを提案する。具体的には,1)タスク記述,2)旅行特性,3)個人属性,および4)ドメイン知識による思考のガイドなど,私たちのプロンプトを慎重に設計する。その結果、トレーニングサンプルは提供されていないが、LLMに基づく予測は競争精度が高く、F1スコアは標準教師あり学習法であることがわかった。
論文参考訳（メタデータ） (2023-11-30T04:35:55Z)
Self-Knowledge Guided Retrieval Augmentation for Large Language Models [59.771098292611846]
大規模言語モデル(LLM)はタスク固有の微調整なしで優れた性能を示す。検索に基づく手法は、非パラメトリックな世界知識を提供し、質問応答のようなタスクのパフォーマンスを向上させることができる。 SKR(Self-Knowledge guided Retrieval augmentation)は、LLMがこれまで遭遇した質問を参照できるようにする、シンプルで効果的な方法である。
論文参考訳（メタデータ） (2023-10-08T04:22:33Z)
From Quantity to Quality: Boosting LLM Performance with Self-Guided Data Selection for Instruction Tuning [52.257422715393574]
本稿では,Large Language Models (LLMs) の自己誘導手法を導入し,オープンソースデータセットからサクラサンプルを自動識別し,選択する。我々の重要な革新である命令追従困難度(IFD)メトリックは、モデルが期待する応答と本質的な生成能力の相違を識別するための重要な指標として現れます。
論文参考訳（メタデータ） (2023-08-23T09:45:29Z)
Forecasting Inter-Destination Tourism Flow via a Hybrid Deep Learning Model [7.769537533798236]
ITF(Inter-Destination Tourism Flow, Inter-Destination Tourism Flow)は、目的地の役割の分類や訪問パターンのマイニングといった業務における観光管理に一般的に用いられている。 ITFの体積がマルチトラクションシステムの特徴にどのように影響されているかを理解するのは難しい。 ITF予測のためのグラフベースハイブリッドディープラーニングモデルを提案する。
論文参考訳（メタデータ） (2023-05-05T03:48:12Z)
Multimodal Text Style Transfer for Outdoor Vision-and-Language Navigation [71.67507925788577]
本稿では,屋外ナビゲーションタスクのためのマルチモーダルテキストスタイル変換(MTST)学習手法を提案する。まず、Google Maps APIで生成された命令のスタイルを転送し、拡張された外部ナビゲーションデータセットでナビゲータを事前訓練することで、ナビゲーションデータを強化します。実験結果から, MTST学習手法はモデルに依存しないことが明らかとなり, MTSTアプローチは屋外VLNタスクのベースラインモデルよりも有意に優れていた。
論文参考訳（メタデータ） (2020-07-01T04:29:07Z)
Tourism Demand Forecasting: An Ensemble Deep Learning Approach [4.516340427736994]
我々は、北京の観光客の到着を予測するために、歴史的観光到着データ、経済変動データ、検索強度指標(SII)データを使用する。提案するB-SAKE手法は, レベル精度, 方向精度, 統計的意義の観点から, ベンチマークモデルより優れている。バッグングと積み重ねオートエンコーダは、観光ビッグデータがもたらす課題を効果的に軽減し、モデルの予測性能を向上させる。
論文参考訳（メタデータ） (2020-02-19T02:23:38Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。