基于大语言模型的自适应上下文学习用于捆绑生成

大多数现有的捆绑生成方法在生成固定大小的捆绑包方面表现不足。此外，它们往往忽略了生成过程中捆绑包所反映的潜在用户意图，导致生成的捆绑包可解释性较差。本文通过探索两个相互关联的任务，即个性化捆绑生成和基于不同用户会话的潜在意图推断，来解决这些局限性。受大语言模型（LLMs）推理能力的启发，我们提出了一种自适应上下文学习范式，允许 LLMs 从相关会话作为演示中汲取定制化经验，从而提升目标会话的性能。具体而言，我们首先采用检索增强生成（retrieval augmented generation）识别最近邻会话，然后精心设计提示词以引导 LLMs 在这些邻居会话上执行上述两个任务。为应对可靠性和幻觉挑战，我们进一步引入了：(1) 一种自校正策略，在无监督信号的情况下促进两个任务的相互改进；(2) 一种基于 LLMs 在不同邻居会话上所犯不同错误的自动反馈机制，以实现自适应监督。因此，目标会话可以通过观察其邻居会话的演示获得定制化经验以提升性能。在三个真实世界数据集上的实验证明了我们所提方法的有效性。