AI Papers Daily

#LLM-RAG

2 篇

Dialogue to Detection: A Multimodal Hybrid NLP Pipeline for Insurance Fraud Detection

对话到检测：面向保险欺诈检测的多模态混合NLP流水线

🧭 多模态融合 · 规则基评分

Aston University · Domestic & General

合成多模态框架融合语音与文本，用规则风险评分检测叙事复用与声音重复以增强可解释欺诈检测

📌 工作参考价值（4 点）

• 借鉴LLM-RAG检索重复叙事和相似案例的方法，可用于客服质检、反欺诈或用户投诉分析中的异常话术识别。
• 规则基风险评分可解释性强，适合风控场景，可将NLP特征、声纹相似度等异构信号通过业务规则融合打分，降低误报。
• 合成数据生成思路（模拟双人对话生成文本+音频）可用于构造训练数据，解决隐私和样本不均衡问题，支持冷启动。
• 多模态特征（文本NER、正则特征 + 声纹聚类）的工程化组合可迁移到智能质检、投诉处理等场景，实现跨模态一致性校验。

Other | 2026-06-26 | cs.CL | score 6/10

synthetic datamultimodal fraud detectionLLM-RAGvoice clusteringrule-based scoring

MetaPlate: Counterfactual-Guided RAG-LLM Tool for Personalized Food Recommendation and Hyperglycemia Prevention

MetaPlate：反事实引导的RAG-LLM个性化饮食推荐与高血糖预防工具

🧭 个性化健康饮食推荐 · 反事实优化 · RAG-LLM ★ 深度解读

Arizona State University

结合反事实优化与RAG-LLM，将餐后血糖预测转化为可执行的膳食建议，并通过专家迭代显著提升推荐合理性

📌 工作参考价值（4 点）

• 反事实优化用于可控推荐：将推荐问题建模为受约束的最小改动优化，通过可微损失函数（目标损失 + 距离正则化）直接优化可干预特征（如商品价格、折扣、展示顺序），在满足业务目标（如提升转化率）的同时保持推荐结果与原用户偏好尽可能接近，可借鉴差分进化等免梯度优化器以保证约束灵活性。
• RAG-LLM 桥接数值优化与自然语言：将优化后的特征向量（如营养素目标）通过检索增强生成转化为人类可理解的推荐文案或商品组合，适用于电商场景中的个性化促销解释、搭配推荐或理由生成，需构建结构化的商品知识库并设计约束检查模块以避免幻觉。
• 专家在环的提示迭代工程：通过领域专家对 LLM 输出进行结构化评估，识别临床/业务上的不现实模式，并将反馈编码为显式约束加入提示（如“必须包含主食+蛋白质+蔬菜”“禁止仅给出坚果”），这种 co-creation 方式能大幅提升生成内容的合理性与可信度，可复用于客服回复、商品描述生成等场景。
• 多模态数据增强与对齐：在训练数据有限时，整合异构穿戴设备数据时通过统一特征工程（如从原始加速度重建 ENMO、步骤数）缓解模态不匹配，仅保留可复现的特征，避免引入不可靠估算值，对跨设备用户行为建模有借鉴意义。

RecSys | 2026-06-08 | cs.IR | score 8/10

Counterfactual ExplanationsGlucose ManagementLLM-RAGPersonalized NutritionWearable SensingExpert-in-the-loop