面向大语言模型的个性化因果图推理：一种饮食推荐实现
计算与语言
2025-09-03 v3
摘要
大语言模型（LLMs）凭借广泛的常识知识在通用推理任务中表现出色，但在需要针对多因素个人数据进行个性化推理的任务中仍受限。这一限制约束了其在诸如医疗保健等领域的应用，因为决策必须适应个体背景。我们提出了个性化因果图推理（Personalized Causal Graph Reasoning）框架，使 LLMs 能够推理由纵向数据构建的每个人专属因果图。每个图编码了用户特定因素如何影响目标结果的关系。在响应查询时，LLM 遍历图谱，识别相关因果路径，按估计影响力排序，模拟潜在结果，并生成量身定制的响应。我们在以营养素为导向的饮食推荐情境中实现了该框架，其中代谢反应的差异性需要个性化推理。通过反事实评估，我们评估了 LLM 生成的食物建议在血糖控制方面的效果。我们的方法在三个时间窗口上较先前方法显著降低了餐后血糖 iAUC。额外的 LLM 评估进一步确认了个性化质量的提升。
引用
@article{arxiv.2503.00134,
title = {Personalized Causal Graph Reasoning for LLMs: An Implementation for Dietary Recommendations},
author = {Zhongqi Yang and Amir Rahmani},
journal= {arXiv preprint arXiv:2503.00134},
year = {2025}
}