低成本 LLM4VIS 推荐系统：解释、标述与建议
人机交互
2024-08-01 v2 人工智能
摘要
NL2VIS (自然语言转可视化) 是一个正在兴起的研究领域，涉及解释自然语言查询并将其转化为准确代表底层数据的可视化。随着大数据时代的推进，NL2VIS 具有巨大的应用潜力，因为它大大简化了非专业用户的数据探索。紧随生成式 AI 在 NL2VIS 应用中日益广泛的使用，在本文中我们提出 V-RECS，即首个基于 LLM 的视觉推荐系统，具备解释 (E)、标述 (C) 和建议 (S) 功能，以便进一步数据探索。V-RECS 的可视化叙述既有助于非专业用户验证响应，也有助于数据探索。此外，我们提出的解决方案通过有效微调小型模型来克服使用强大 LLM 时的计算、可控性和成本问题。为了生成有洞察力的可视化叙述，我们使用链式思维 (Chain-of-Thoughts, CoT)，这是一种提示工程技术，帮助 LLM 识别并生成正确答案的逻辑步骤。由于 CoT 在小型 LLM 上表现不佳，我们采用一种策略：大型 LLM (GPT-4) 充当教师，生成基于 CoT 的指令以微调小型模型 Llama-2-7B 作为学生。基于框架的大量实验——该框架用于量化评估基于 AI 的可视化，以及由一组受试者进行的手动评估——显示 V-RECS 在性能上与 GPT-4 相当，但成本更低。V-RECS 教师-学生范式的有效性也体现在：未经微调的 Llama 在绝大多数测试案例中无法完成此任务。我们发布 V-RECS 供可视化社区使用，以协助可视化设计师贯穿整个可视化生成过程。
引用
@article{arxiv.2406.15259,
title = {V-RECS, a Low-Cost LLM4VIS Recommender with Explanations, Captioning and Suggestions},
author = {Luca Podo and Marco Angelini and Paola Velardi},
journal= {arXiv preprint arXiv:2406.15259},
year = {2024}
}