通过 Large Language Models（LLMs）的最新进展，研究如何将这一颠覆性技术应用于供应链自动化，并解决人类理解和信任之间的间隙。设计了一个名为 ame {} 的框架，通过输入纯文本查询并输出有关底层优化结果的见解。同时，我们开发了一个通用的评估基准，用于评估 LLM 在其他情景中的准确性。

Jul, 2023

现实世界中的产品组合选择是物理零售商面临的一项关键挑战，通过有效地与购物者的喜好相匹配，可以增加销售并减少缺货。为解决这些挑战，我们引入了一个实时推荐系统，利用 3D 计算机视觉和感知技术，以及借助贝叶斯奖励模型、空间聚类和基于图的候选生成算法，以适应异质的消费者喜好和解决组合搜索问题。通过在真实店铺进行多次测试和观察研究，我们展示了销售量分别提高了 35% 和 27%。

Jun, 2024

这是第一项研究应用大语言模型（LLMs）进行自动规划任务模型空间编辑的工作。我们探索了 AI 规划文献中研究的两种不同类型的模型空间问题，以及 LLM 对这些任务的影响。我们通过实验证明了 LLM 的性能与组合搜索（CS）的对比情况，以及 LLM 作为独立模型空间推理器以及作为与 CS 方法结合的统计信号的双阶段过程的一部分时的性能。我们的实验结果表明，LLM 在未来进一步探索规划任务中的模型空间推理的前景很有希望。

Nov, 2023

利用大型语言模型（LLM）的先进推理能力，我们提出了一种新颖的 ISR 方法，通过生成初始提示来引导 LLMs 预测会话中的下一个项目，然后通过迭代自反和调整提示的创新优化机制来完善这个过程，进一步基于 LLMs 的广泛适应能力，我们的提示选择模块快速选择各种领域中最优化的提示，使 LLMs 能够在语义层面上辨别各种用户意图，从而实现更准确和可解释的会话推荐。在三个真实数据集上的广泛实验证明了我们方法的有效性，并在 ISR 系统中取得了重大进展。

Dec, 2023

本研究探索指令调优提高大型语言模型在信息检索任务中的能力，并引入了一个新的指令调优数据集，INTER，涵盖了查询理解、文档理解和查询 - 文档关系理解三个基本 IR 类别的 21 个任务。实证结果表明，INTER 显著提高了公开可用的 LLMs（如 LLaMA、Mistral 和 Phi）在搜索相关任务中的性能。

Jan, 2024

自主规划和调度是人工智能中增长最快的领域之一，本研究通过对 126 篇论文进行全面检视，调查了 LLMs 在地址规划问题的各个方面时的独特应用，并提出了八个类别：语言翻译、计划生成、模型构建、多智能体规划、交互规划、启发式优化、工具集成以及脑启发式规划，强调 LLMs 与传统符号规划器的结合展示出潜力，揭示出一种有前景的神经符号化方法。

Jan, 2024

本文介绍了信息检索的演进以及大语言模型和搜索引擎的利弊，提出了 InteR 框架，通过交互改进知识的检索，并通过实验验证其优越性。

May, 2023

本文提出了两种可视化推荐系统，该系统可以自动为客厅家具配套筛选整个选择，以最大化配合效果和利用文本数据和多语言话题建模来推断风格。实验结果表明，从包括视觉和文本数据的产品集合中发现补充风格效果最好。

Jun, 2018

提高大型语言模型的规划能力，研究领域包括基于上下文学习、微调，以及在未知领域的性能评估。

Jun, 2024

提出了一种以大型语言模型为基础的交互规划框架，利用可满足性模理论和 SMT 求解器解决复杂组合优化问题，并在旅行规划领域取得高成功率。

Apr, 2024