Decisive: Guiding User Decisions with Optimal Preference Elicitation from Unstructured Documents

📄 arXiv: 2604.18122v1 📥 PDF

作者: Akriti Jain, Anish Mulay, Divyansh Verma, Aishani Pandey, Pritika Ramu, Aparna Garimella

分类: cs.CL

发布日期: 2026-04-20

备注: Accepted to ACL 2026 Main Conference

💡 一句话要点

Decisive：通过非结构化文档的最优偏好诱导，引导用户决策。

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

关键词: 决策支持系统 偏好学习 贝叶斯推断 非结构化文档 信息提取

📋 核心要点

  1. 现有决策方法难以有效整合非结构化信息、权衡多重因素，并准确捕捉用户细微偏好。
  2. Decisive框架结合文档推理和贝叶斯偏好推断，通过交互式提问高效学习用户偏好。
  3. 实验表明，Decisive在决策准确率上显著优于通用LLM和现有决策框架，提升高达20%。

📝 摘要（中文）

决策是一个认知密集型任务，需要综合来自多个非结构化来源的相关信息，权衡相互竞争的因素，并结合用户的主观偏好。现有方法，包括大型语言模型和传统决策支持系统，都存在不足：它们常常用大量信息淹没用户，或者无法准确捕捉细微的偏好。我们提出了Decisive，一个交互式决策框架，它结合了基于文档的推理和贝叶斯偏好推断。我们的方法将决策建立在从源文档中提取的客观选项评分矩阵之上，同时通过有针对性的诱导主动学习用户的潜在偏好向量。用户回答成对权衡问题，这些问题经过自适应选择，以最大化关于最终决策的信息增益。这个过程高效收敛，最大限度地减少用户的工作量，同时确保推荐保持透明和个性化。通过广泛的实验，我们证明了我们的方法显著优于通用LLM和现有的决策框架，在各个领域实现了高达20%的决策准确率提升。

🔬 方法详解

问题定义：现有决策支持系统和大型语言模型在处理复杂决策问题时，面临两个主要痛点。一是难以有效利用来自多个非结构化文档的信息，导致决策依据不足。二是无法准确捕捉用户个性化的偏好，导致推荐结果缺乏针对性。用户需要在海量信息中手动筛选，并进行复杂的权衡，决策效率低且容易出错。

核心思路：Decisive的核心思路是将决策过程分解为两个关键步骤：首先，从非结构化文档中提取客观的选项评分矩阵，作为决策的基础。其次，通过主动学习用户的潜在偏好向量，将个性化因素融入决策过程。通过交互式地向用户提问，并根据用户的回答不断优化偏好模型，最终给出既客观又符合用户需求的推荐。

技术框架：Decisive框架包含以下主要模块：1) 文档解析模块：从非结构化文档中提取选项及其属性信息，构建选项评分矩阵。2) 偏好学习模块：采用贝叶斯方法，根据用户的回答更新偏好向量的后验分布。3) 问题选择模块：根据信息增益最大化原则，自适应地选择下一个要提问的问题。4) 推荐生成模块：结合选项评分矩阵和用户偏好向量，生成最终的推荐结果。整个流程是一个迭代的过程，通过不断提问和学习，逐步逼近用户的真实偏好。

关键创新：Decisive的关键创新在于将文档推理和贝叶斯偏好推断相结合，实现了一种交互式的决策支持方法。与传统的决策支持系统相比，Decisive能够更好地利用非结构化信息，并更准确地捕捉用户偏好。与大型语言模型相比，Decisive的决策过程更加透明和可解释，并且能够通过主动学习减少用户的工作量。

关键设计：问题选择模块是Decisive的关键设计之一。该模块采用信息增益最大化原则，选择能够最大程度减少偏好向量不确定性的问题。具体而言，可以使用KL散度或互信息等指标来衡量信息增益。此外，偏好学习模块采用贝叶斯方法，需要选择合适的先验分布和似然函数。例如，可以使用高斯分布作为先验分布，并使用sigmoid函数将偏好向量映射到概率空间。

📊 实验亮点

实验结果表明，Decisive在多个领域（包括产品选择和旅游规划）的决策准确率上显著优于基线方法，包括通用LLM和现有决策框架。具体而言，Decisive在某些场景下实现了高达20%的决策准确率提升。此外，实验还证明了Decisive能够通过少量交互快速收敛，有效地减少用户的工作量。

🎯 应用场景

Decisive可应用于各种需要综合信息和个性化偏好的决策场景，例如：产品选择、旅游规划、投资决策、医疗诊断等。该研究的实际价值在于提高决策效率和准确性，减少用户认知负担，并提供更加个性化和透明的决策支持。未来，Decisive可以进一步扩展到更复杂的决策场景，并与其他AI技术相结合，例如：自然语言生成、知识图谱等。

📄 摘要（原文）

Decision-making is a cognitively intensive task that requires synthesizing relevant information from multiple unstructured sources, weighing competing factors, and incorporating subjective user preferences. Existing methods, including large language models and traditional decision-support systems, fall short: they often overwhelm users with information or fail to capture nuanced preferences accurately. We present Decisive, an interactive decision-making framework that combines document-grounded reasoning with Bayesian preference inference. Our approach grounds decisions in an objective option-scoring matrix extracted from source documents, while actively learning a user's latent preference vector through targeted elicitation. Users answer pairwise tradeoff questions adaptively selected to maximize information gain over the final decision. This process converges efficiently, minimizing user effort while ensuring recommendations remain transparent and personalized. Through extensive experiments, we demonstrate that our approach significantly outperforms both general-purpose LLMs and existing decision-making frameworks achieving up to 20% improvement in decision accuracy over strong baselines across domains.