面向多轮 LLM 交互的自适应群体信息获取
机器学习
2026-02-17 v1 人工智能
计算与语言
社会与信息网络
摘要
要从调查和其他集体评估中获取以消除对潜在群体属性不确定性的信息，需要在实际成本和缺失数据的情况下，合理分配有限的询问资源。尽管大型语言模型（LLM）支持自然语言中的自适应、多轮交互，但大多数现有信息获取方法都针对固定的受访者群体优化询问内容，不会根据响应部分或不完整而调整受访者选择或利用群体结构。为此，我们研究了自适应群体信息获取，即在明确的查询和参与预算下，智能体自适应地选择问题和受访者。我们提出了一个理论上有据可依的框架，结合了（i）基于 LLM 的期望信息增益目标，用于对候选问题进行评分，以及（ii）异构图神经网络传播，用于聚合观察到的响应和受访者属性，以不完全推断响应并指导每轮的受访者选择。该闭环程序查询少数信息丰富且具有代表性的个体，同时通过结构化相似性推断群体层面的响应。在三个真实世界意见数据集上，我们的方法在受限预算下持续改善了群体层面的响应预测，包括在 CES 数据集上以 10% 受访者预算时实现了 >12% 的相对提升。
引用
@article{arxiv.2602.14279,
title = {Whom to Query for What: Adaptive Group Elicitation via Multi-Turn LLM Interactions},
author = {Ruomeng Ding and Tianwei Gao and Thomas P. Zollo and Eitan Bachmat and Richard Zemel and Zhun Deng},
journal= {arXiv preprint arXiv:2602.14279},
year = {2026}
}