Open-Set Living Need Prediction with Large Language Models¶
会议: ACL 2025
arXiv: 2506.02713
代码: 无
领域: LLM/NLP
关键词: living need prediction, open-set, LLM, social computing, elderly care
一句话总结¶
提出开放集生活需求预测任务，利用 LLM 从用户描述中预测生活需求，不限于预定义类别，应用于养老服务、社区管理等场景。
研究背景与动机¶
- 领域现状：生活需求预测对养老服务、社区规划等有重要意义。
- 现有痛点：现有方法基于固定的需求类别集，无法处理新型或细粒度需求。
- 核心矛盾：封闭集分类无法覆盖多样化的真实需求。
- 本文要解决什么？ 用 LLM 实现开放集生活需求预测。
- 切入角度：将需求预测从分类问题转化为生成问题。
- 核心idea一句话：LLM 的生成能力允许预测任意粒度的生活需求。
方法详解¶
整体框架¶
用户描述输入 -> LLM 生成开放集需求预测 -> 结构化输出。
关键设计¶
- 开放集任务定义：不限定需求类别，允许 LLM 自由生成
- 多级别需求表示：从粗粒度到细粒度
- 专用数据集构建：基于真实养老场景
实验关键数据¶
主实验¶
| 方法 | 精确率 | 召回率 |
|---|---|---|
| 分类基线 | 中等 | 低（无法覆盖新需求） |
| LLM 开放集 | 稍低 | 高（覆盖更多需求） |
关键发现¶
- 开放集方法覆盖了封闭集无法发现的需求
- LLM 在细粒度需求预测上表现更好
亮点与洞察¶
- 开放集任务定义是一个重要的问题重新定义
- 对养老服务等应用场景有直接价值
局限性 / 可改进方向¶
- 评估标准的定义有困难
- 改进方向：多模态输入、时序需求变化预测
相关工作与启发¶
- 与需求识别/意图检测相关但方向不同
评分¶
- 新颖性: ⭐⭐⭐ 开放集任务定义有新意
- 实验充分度: ⭐⭐⭐ 覆盖合理
- 写作质量: ⭐⭐⭐⭐ 清晰
- 价值: ⭐⭐⭐ 对特定应用场景有价值