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
- Spatially-Enhanced Retrieval-Augmented Generation for Walkability and Urban Discovery [4.010768140638523]
大規模言語モデル(LLM)は人工知能の基礎となるツールとなっている。
歩行可能な都会の旅程を推薦するための対話インタフェースを備えた空間RAGベースのフレームワークであるWalkRAGを紹介する。
予備的な結果は、都市発見を支援するために情報検索、空間推論、LLMの組み合わせの有効性を示している。
論文 参考訳（メタデータ） (2025-12-04T13:37:53Z) - 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) - R3-RAG: Learning Step-by-Step Reasoning and Retrieval for LLMs via Reinforcement Learning [60.17074283370798]
Retrieval-Augmented Generation (RAG)は、外部知識をLLM(Large Language Models)と統合し、事実の正しさと幻覚を高める。
我々は、 $textbfR$einforcement Learning を用いて LLM に $textbfR$eason と $textbfR$etrieve を段階的に学習させる $textbfR3-RAG$ を提案する。
論文 参考訳（メタデータ） (2025-05-26T12:25:37Z) - 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) - A Comparison of LLM Finetuning Methods & Evaluation Metrics with Travel Chatbot Use Case [0.3495246564946556]
本研究では,大規模言語モデル (LLM) の微調整手法について比較する。例えば,量子化低ランク適応器 (QLoRA) ,検索拡張微調整 (RAFT) ,人間フィードバックからの強化学習 (RLHF) などである。
旅行データセットは、旅行関連のサブレディットからの投稿をリクエストして、旅行関連の会話プロンプトとパーソナライズされた旅行体験を取得することでReddit APIからソースされた。
人的評価による最良のモデルといくつかのGPT-4指標はMistral RAFTであり、それによってRLHF(Reinforcement Learning from Human Feedback)トレーニングパイプラインが実行され、最終的には最高の評価を受けた。
論文 参考訳（メタデータ） (2024-08-07T05:52:00Z) - 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) - RSRD: A Road Surface Reconstruction Dataset and Benchmark for Safe and
Comfortable Autonomous Driving [67.09546127265034]
道路表面の再構築は、車両の走行計画と制御システムの解析と予測を促進するのに役立つ。
我々は,様々な運転条件下で,特定のプラットフォームで収集した実世界,高解像度,高精度のデータセットであるRoad Surface Reconstructionデータセットを紹介した。
約16,000対のステレオ画像、原点雲、地中深度・不均等地図を含む一般的な道路形態を網羅している。
論文 参考訳（メタデータ） (2023-10-03T17:59:32Z) - Query-Dependent Prompt Evaluation and Optimization with Offline Inverse
RL [62.824464372594576]
ゼロショットプロンプト最適化により,Large Language Models (LLM) の算術的推論能力を向上させることを目的とする。
このような最適化では、以前見過ごされたクエリ依存の目的を特定します。
本稿では、オフライン逆強化学習を利用して、実演データから洞察を引き出すPrompt-OIRLを紹介する。
論文 参考訳（メタデータ） (2023-09-13T01:12:52Z) - Large Language Model Augmented Narrative Driven Recommendations [51.77271767160573]
ナラティブ・ドリブン・レコメンデーション(NDR)は、ユーザが好みや文脈を冗長に記述してレコメンデーションを募る情報アクセス問題である。
NDRはモデルのための豊富なトレーニングデータがなく、現在のプラットフォームは一般的にこれらの要求をサポートしない。
大規模言語モデル(LLM)を用いてNDRモデルのトレーニングを行う。
論文 参考訳（メタデータ） (2023-06-04T03:46:45Z) - 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) - WayFAST: Traversability Predictive Navigation for Field Robots [5.914664791853234]
本稿では,車輪付き移動ロボットの走行経路を予測するための自己教師型アプローチを提案する。
キーとなるインスピレーションは、キノダイナミックモデルを用いてローリングロボットのトラクションを推定できることです。
オンライントラクション推定に基づくトレーニングパイプラインは,他の手法よりもデータ効率が高いことを示す。
論文 参考訳（メタデータ） (2022-03-22T22:02:03Z)
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。