Matching Game Preferences Through Dialogical Large Language Models: A Perspective

文章主要内容总结

本文提出了“对话式大型语言模型（Dialogical Large Language Models, D-LLMs）”这一概念框架，旨在通过整合大型语言模型（LLMs）与GRAPHYP的网络系统，提升AI对人类对话和偏好的理解能力，同时实现AI推理的透明性和可追溯性。

核心内容包括：

1. 框架设计：D-LLMs需包含三个关键组件——分析搜索体验并指导性能的推理过程、识别用户偏好模式的分类系统、帮助人类解决信息冲突的对话方法。
2. 理论基础：基于维特根斯坦的“语言游戏”理论，将语言的意义与具体使用场景绑定，通过GRAPHYP捕捉用户偏好的语境参数、个人风格和社会背景，实现LLM的个性化调整。
3. 技术整合：结合GRAPHYP的图结构推理（如认知社区、分形几何分析）与LLM的自然语言处理能力，形成交互式推理循环、动态上下文管理、透明推理路径和基于图结构的接地推理四大核心耦合原则。
4. 应用与目标：应用于科学研究、个性化学习、内容验证等领域，目标是增强AI的透明度、社区化个性化、动态适应性和计算效率，最终实现“以人类选择为中心”的AI系统。

创新点

1. 提出D-LLM框架：首次将GRAPHYP的图基偏好建模与LLM的对话能力深度整合，形成兼具结构化推理和自然语言灵活性的混合系统，解决了传统LLM偏好表达模糊和推理不透明的问题。
2. 透