在饮食信息领域比较自然语言生成聊天机器人与图形应用程序的信息性
我们开发了一个基于数据驱动方法的自然语言接口系统,其中包含了一个逐步查询推荐模块,帮助用户在探索大型复杂 SQL 数据库时进行更有效和系统化地数据分析过程。我们的用户研究表明,相比于没有推荐模块的基准系统,我们的系统可以帮助用户更加高效和系统化地进行数据分析。
Jan, 2022
食物对健康的深远影响需要先进的以营养为导向的食品推荐服务。本文介绍了 ChatDiet,这是一个新的基于大型语言模型的框架,专门设计用于个性化的以营养为导向的食品推荐聊天机器人,实现了个性化和可解释的食物推荐,以及与用户个人喜好相适应的互动。
Feb, 2024
使用大型语言模型,结合众包工人和营养专家,在缺乏公共资源的营养咨询领域,成功地聚集了一系列高质量的数据集,并通过专家评估得出,ChatGPT 生成的文本在流畅度和人类化方面表现出色,但在敏感话题(如心理健康)中存在不利行为,不适合无监督使用。
Jan, 2024
本文比较不同的信息表现形式对人类决策的影响,发现使用自然语言生成(NLG)在不确定情况下可以提高决策水平,在 442 名成年人的任务研究中,NLG 的表现相对于图形表现平均要好 24%,而将 NLG 与图形结合使用可使决策水平提高 44%。同时发现,当使用 NLG 输出时,女性的表现显著优于男性(相对于图形表现增加了 87%)。
Jun, 2016
本文对 GUI 与自然语言描述软件之间的联系进行了综合实证研究,收集、分析和开源了一个由人类标注者提供的大规模功能 GUI 描述数据集,并探究了四种神经图像字幕模型的表征潜力,以预测不同粒度的自然语言描述,并通过大规模用户研究定量和定性评估了这些模型,最后提出多模态模型的潜力以增强未来的自动化软件文档技术。
Jan, 2023
使用大型语言模型进行自然语言到可视化的转换任务,在分析如何将结构化表格数据转化为 LLM 所需的顺序文本提示时,发现将结构化表格数据转化为程序是有效的,并且在制定提示时考虑表格模式是必要的。同时,通过对比实验发现,LLM 在 NL2Vis 任务中优于基线方法,并且推理模型在提供少量示范的情况下通过上下文学习能够进一步改善性能,时而甚至超过微调模型。最后,分析 LLM 在 NL2Vis 任务中失败的情况,并提出了循环更新的策略,通过链式思维、角色扮演和代码解释等方法来迭代更新结果,实验证实了这种迭代更新的有效性,具有广阔的未来研究潜力。
Apr, 2024
自然语言处理引起了用户与表格数据交互方式的革命,通过更直观、基于语言的界面,从传统的查询语言和手动绘图转变。大语言模型(LLMs)如 ChatGPT 及其后续模型进一步推进了这一领域,为自然语言处理技术开辟了新的途径。本研究综述了面向表格数据查询与可视化的自然语言界面,该界面允许用户使用自然语言查询与数据进行交互。我们介绍了这些界面背后的基本概念和技术,特别关注实现自然语言到 SQL 查询或数据可视化命令的语义解析技术。接着,我们从数据集、方法论、评估指标和系统设计等角度探讨了文本到 SQL 和文本到可视化问题的最新进展。这包括深入研究了 LLMs 的影响,突出了它们的优势、限制和未来改进的潜力。通过本综述,我们旨在为对开发和应用大语言模型时代的数据交互自然语言界面感兴趣的研究人员和实践者提供一条路线图。
Oct, 2023
使用知识注入的大型语言模型驱动的对话卫生代理 (Conversational Health Agent, CHA) 进行糖尿病患者的管理,通过整合外部知识和分析能力,包括美国糖尿病协会的膳食指南和 Nutritionix 的信息,以及营养摄入计算和与指南的比较等分析工具,与 GPT4 相比,该代理在生成管理重要营养素的回答方面表现出更好的性能。
Feb, 2024