AutoQual：用于自动发现评论质量评估中可解释特征的 LLM 智能体
人工智能
2025-10-10 v1 计算与语言
摘要
对在线评论进行基于内在质量的排序是电子商务平台和信息服务的关键任务，影响用户体验和业务结果。然而，质量是一种域相关且动态的概念，使其评估具有挑战性。传统方法依赖手工特征，跨域不可扩展，无法适应不断变化的内容模式；而现代深度学习方法常产生黑箱模型，缺乏可解释性，可能优先考虑语义而非质量。为此，我们提出 AutoQual 框架，该框架基于 LLM 的智能体，自动发现可解释特征。虽然在评论质量评估中进行了演示，但 AutoQual 被设计为一种通用框架，用于将数据中嵌入的隐性知识转化为显式、可计算的特征。它模拟人类研究过程，通过反思迭代生成特征假设，通过自主工具实现对其进行操作化，并在持久记忆中积累经验。我们在用户规模达数十亿的大型在线平台上部署了该方法。大规模 A/B 测试确认其有效性，用户查看的平均评论数提高了 0.79%，评论阅读者的转化率提高了 0.27%。
引用
@article{arxiv.2510.08081,
title = {AutoQual: An LLM Agent for Automated Discovery of Interpretable Features for Review Quality Assessment},
author = {Xiaochong Lan and Jie Feng and Yinxing Liu and Xinlei Shi and Yong Li},
journal= {arXiv preprint arXiv:2510.08081},
year = {2025}
}
备注
EMNLP 2025