論文の概要: Lessons from A Large Language Model-based Outdoor Trail Recommendation Chatbot with Retrieval Augmented Generation

• arxiv url: http://arxiv.org/abs/2508.05652v1
• Date: Sun, 27 Jul 2025 20:22:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-17 22:58:06.117793
• Title: Lessons from A Large Language Model-based Outdoor Trail Recommendation Chatbot with Retrieval Augmented Generation
• Title（参考訳）: 大規模言語モデルに基づく検索支援型屋外道推薦チャットボットからの教訓
• Authors: Julia Ann Mathew, Suining He,
• Abstract要約: 野外レクリエーション活動の人気が高まっており、屋外の道についてパーソナライズされた提案を提供するための会話型AIシステムの必要性が高まっている。 本稿では,屋外トレイルレコメンデーションチャットボットJudyの開発から学んだ予備的,実践的な教訓について述べる。 我々は、RAGに基づくレコメンデーションに関するWebベースのデータ収集、屋外トレイルデータ管理、LLMモデルパフォーマンス研究を行った。
• 参考スコア（独自算出の注目度）: 2.167718390410225
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The increasing popularity of outdoor recreational activities (such as hiking and biking) has boosted the demand for a conversational AI system to provide informative and personalized suggestion on outdoor trails. Challenges arise in response to (1) how to provide accurate outdoor trail information via conversational AI; and (2) how to enable usable and efficient recommendation services. To address above, this paper discusses the preliminary and practical lessons learned from developing Judy, an outdoor trail recommendation chatbot based on the large language model (LLM) with retrieval augmented generation (RAG). To gain concrete system insights, we have performed case studies with the outdoor trails in Connecticut (CT), US. We have conducted web-based data collection, outdoor trail data management, and LLM model performance studies on the RAG-based recommendation. Our experimental results have demonstrated the accuracy, effectiveness, and usability of Judy in recommending outdoor trails based on the LLM with RAG.
• Abstract（参考訳）: ハイキングやサイクリングなどの屋外レクリエーション活動の人気が高まっており、アウトドアトレイルに関する情報的かつパーソナライズされた提案を提供するための会話型AIシステムの必要性が高まっている。 1)会話型AIによる正確なアウトドア・トレイル情報の提供方法,(2)有効かつ効率的なレコメンデーション・サービスを実現する方法について,課題が生じる。 そこで本稿では,大規模言語モデル (LLM) と検索拡張生成 (RAG) をベースとした屋外トレイルレコメンデーションチャットボットJudyの開発から学んだ,予備的かつ実践的な教訓について述べる。 具体的なシステム洞察を得るために,コネチカット州(CT)の屋外トレイルでケーススタディを実施してきた。 我々は、RAGに基づくレコメンデーションに関するWebベースのデータ収集、屋外トレイルデータ管理、LLMモデルパフォーマンス研究を行った。 LLMとRAGを併用した屋外トレイルの推薦において,Judyの精度,有効性,使用性について検討した。

関連論文リスト

• Towards Agentic RAG with Deep Reasoning: A Survey of RAG-Reasoning Systems in LLMs [69.10441885629787]
  Retrieval-Augmented Generation (RAG) は、外部知識を注入することによって、Large Language Models (LLM) の事実性を高める。 逆に、純粋に推論指向のアプローチは、しばしば幻覚的あるいは誤った事実を必要とする。 この調査は両鎖を統一的推論-検索の観点から合成する。
  論文  参考訳（メタデータ） (2025-07-13T03:29:41Z)
• KBAlign: Efficient Self Adaptation on Specific Knowledge Bases [73.34893326181046]
  本稿では,効率的なモデル適応によりRAGシステムを強化する自己教師型フレームワークKBAlignを提案する。 私たちのキーとなる洞察は、2つの革新的なメカニズムを通じて、モデルの本質的な能力を知識の整合性に活用することです。 KBAlign は GPT-4 による適応によって得られる性能向上の90%を達成できることを示した。
  論文  参考訳（メタデータ） (2024-11-22T08:21:03Z)
• W-RAG: Weakly Supervised Dense Retrieval in RAG for Open-domain Question Answering [28.79851078451609]
  W-RAGは、下流タスクから弱いトレーニング信号を抽出し、検索者がタスクに最も利益をもたらすパスを優先順位付けするように微調整する手法である。 我々は4つの公開可能なOpenQAデータセットの包括的な実験を行い、我々のアプローチが検索とOpenQAのパフォーマンスを向上させることを実証した。
  論文  参考訳（メタデータ） (2024-08-15T22:34:44Z)
• Pearl: A Review-driven Persona-Knowledge Grounded Conversational Recommendation Dataset [31.576843289525517]
  本稿では,PEARLという対話型推薦データセットを提案する。 実世界のレビューから詳細なペルソナと知識を取得し,57k以上の対話を伴う大規模データセットを構築した。 実験の結果, PEARLにおける発話には, より具体的なユーザの嗜好, 対象領域における専門知識の提示, 従来のデータセットよりも対話コンテキストに関連性のあるレコメンデーションが提供されることがわかった。
  論文  参考訳（メタデータ） (2024-03-07T12:57:16Z)
• Rethinking the Evaluation for Conversational Recommendation in the Era of Large Language Models [115.7508325840751]
  近年の大規模言語モデル(LLM)の成功は、より強力な対話レコメンデーションシステム(CRS)を開発する大きな可能性を示している。 本稿では,ChatGPTの会話レコメンデーションへの活用について検討し,既存の評価プロトコルが不十分であることを明らかにする。 LLMをベースとしたユーザシミュレータを用いた対話型評価手法iEvaLMを提案する。
  論文  参考訳（メタデータ） (2023-05-22T15:12:43Z)

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。