Doc2AHP：用LLM经语义树推断结构化多准则决策模型

尽管大语言模型（LLM）展现出卓越的语义理解能力，它们在需要严格逻辑的复杂决策任务中常常难以保证结构一致性与推理可靠性。尽管经典决策理论（如层次分析法 AHP）提供系统的理性框架，其构建严重依赖劳动密集的领域专业知识，形成阻碍一般场景可扩展性的专家瓶颈。为弥合 LLM 泛化能力与决策理论严谨性之间的差距，我们提出 Doc2AHP，一个由 AHP 原则引导的新颖结构化推断框架。我们的方法无需大量标注数据或人工干预，利用 AHP 的结构原则作为约束，引导 LLM 在非结构化文档空间内进行受约束搜索，从而强制父子节点之间的逻辑蕴含。此外，我们引入多智能体加权机制与自适应一致性优化策略，以确保权重分配的数值一致性。实证结果表明，Doc2AHP 不仅使非专家用户能够从零构建高质量决策模型，还在逻辑完整性与下游任务准确率上显著优于直接生成基线。