指南：生成效用推理和决策引擎

测量人类用户的偏好仍然是人工智能调整的一个基本挑战。现有的启发方法很难有效地发现多维偏好或在领域知识中准确地建立这些推论。为了解决这个问题，我们引入了 GUIDE，这是一种由 LLM 驱动的启发架构，通过结合用于问题选择的贝叶斯自适应采样和符号表示学习来初始化特定领域的偏好模型，通过对话推断用户偏好。 GUIDE 通过参数化偏好状态上的可扩展类型转换系统，将自适应采样推广到各种启发问题。 GUIDE 通过初始化过程生成特定领域的偏好表示，使用基于符号规则的学习来捕获世界知识，并根据有关决策替代方案的数据设置偏好维度的先验。该架构提供可观察性和可操纵性，以促进部署和分析启发过程。投资组合优化的计算机模拟实验表明，与之前的工作、仅限 LLM 的基线和删减的 GUIDE 版本相比，GUIDE 在跨用户角色的早期诱导交互中始终改善了冷启动并最大限度地减少了推荐遗憾。