Research on Tibetan Tourism Viewpoints information generation system based on LLM

📄 arXiv: 2407.13561v1 📥 PDF

作者: Jinhu Qi, Shuai Yan, Wentao Zhang, Yibo Zhang, Zirui Liu, Ke Wang

分类: cs.CL

发布日期: 2024-07-18

期刊: ICWOC 2024

DOI: 10.1109/ICWOC62055.2024.10684948

💡 一句话要点

提出DualGen Bridge AI系统，提升LLM在藏区旅游信息生成中的性能

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 大型语言模型 监督微调 智能旅游 藏区旅游 信息生成 多结构评估 自然语言处理

📋 核心要点

  1. 藏区旅游服务基础设施薄弱，现有智能旅游服务难以满足游客需求，信息不对称问题突出。
  2. 提出DualGen Bridge AI系统，利用监督微调技术优化LLM，并设计多结构生成结果评估框架。
  3. 实验验证了所提框架的有效性，并探索了监督微调方法在提升旅游景点信息生成质量方面的潜力。

📝 摘要（中文）

本研究针对藏区旅游信息服务不足的问题，以及大型语言模型（LLM）评估标准的挑战，提出了一种名为DualGen Bridge AI的创新系统。该系统采用监督微调技术来增强模型功能和优化过程，并构建了一个多结构生成结果评估框架。实验验证表明该框架的有效性。研究还探索了监督微调方法在DualGen Bridge AI中的应用，旨在改进旅游景点信息的生成。研究结果为优化系统性能提供了有价值的见解，并为LLM技术在藏区旅游服务及其他领域的应用提供了支持和启发，有望通过先进的定制化信息生成能力彻底改变智能旅游行业。

🔬 方法详解

问题定义：论文旨在解决藏区旅游景点信息服务不足的问题，现有方法难以有效生成高质量、符合藏区特色的旅游信息。现有智能旅游服务无法充分满足游客需求，信息不对称现象普遍存在。

核心思路：论文的核心思路是利用大型语言模型（LLM）的强大生成能力，通过监督微调（Supervised Fine-Tuning, SFT）的方式，使LLM能够更好地理解和生成符合藏区旅游特点的信息。同时，设计一个多结构生成结果评估框架，用于评估和优化LLM的生成效果。

技术框架：整体框架包含数据收集与预处理、DualGen Bridge AI模型构建与训练、多结构生成结果评估三个主要阶段。DualGen Bridge AI是基于LLM构建的，通过SFT进行优化。评估框架则用于衡量生成信息的质量，并指导模型进一步优化。

关键创新：主要创新点在于提出了DualGen Bridge AI系统，并将其应用于藏区旅游信息生成。该系统结合了监督微调和多结构评估框架，能够有效提升LLM在特定领域的生成能力。此外，该研究针对藏区旅游的特殊性，构建了相应的评估标准，更具针对性。

关键设计：论文中关键的设计包括：1) 如何构建高质量的藏区旅游信息数据集用于SFT；2) 如何设计有效的多结构评估框架，例如，可以考虑信息完整性、准确性、流畅性、相关性等多个维度；3) SFT过程中，选择合适的LLM作为基础模型，并调整合适的学习率、batch size等超参数。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文通过实验验证了DualGen Bridge AI系统和多结构生成结果评估框架的有效性。虽然摘要中没有给出具体的性能数据和对比基线，但强调了该框架能够有效提升LLM在藏区旅游信息生成方面的性能。未来的研究可以进一步量化提升幅度，并与其他基线方法进行对比。

🎯 应用场景

该研究成果可应用于智能旅游导览系统、旅游信息咨询平台、个性化旅游路线推荐等领域。通过提供更准确、更丰富的藏区旅游信息，提升游客的旅游体验，促进藏区旅游业的发展。未来，该技术还可推广到其他具有独特文化和地理特征的旅游区域。

📄 摘要（原文）

Tibet, ensconced within China's territorial expanse, is distinguished by its labyrinthine and heterogeneous topography, a testament to its profound historical heritage, and the cradle of a unique religious ethos. The very essence of these attributes, however, has impeded the advancement of Tibet's tourism service infrastructure, rendering existing smart tourism services inadequate for the region's visitors. This study delves into the ramifications of informational disparities at tourist sites on Tibetan tourism and addresses the challenge of establishing the Large Language Model (LLM) evaluation criteria. It introduces an innovative approach, the DualGen Bridge AI system, employing supervised fine-tuning techniques to bolster model functionality and enhance optimization processes. Furthermore, it pioneers a multi-structured generative results assessment framework. Empirical validation confirms the efficacy of this framework. The study also explores the application of the supervised fine-tuning method within the proprietary DualGen Bridge AI, aimed at refining the generation of tourist site information. The study's findings offer valuable insights for optimizing system performance and provide support and inspiration for the application of LLM technology in Tibet's tourism services and beyond, potentially revolutionizing the smart tourism industry with advanced, tailored information generation capabilities.