现在,大模型可以做私人导游,为你规划 Citywalk 路线了 ——
港大 MIT 等单位联合推出 ITINERA,将 LLM 与空间优化相结合,实现个性化的开放域城市行程规划。
举个栗子,用户输入“给我规划一条包含‘巨富长’、以静安寺为终点的 citywalk 路线”。
ITINERA 系统立马生成了一条包含若干地点的路线,并提供了相应的介绍文本。甚至“适合情侣一起去的酒吧”“二次元圣地”“途经网红打卡点”这样的个性化需求,ITINERA 也可以理解和满足。
![](http://n.sinaimg.cn/spider20240802/112/w1080h632/20240802/6e0d-db1e7d0e902346573fbeb0653e30ff4e.png)
单看可能没感觉,咱们直接对比 ITINERA(左侧)和 GPT-4 CoT 生成的路线。
同一提示词:“我想要一个文艺的路线,要经过桥和渡轮。”
![](http://n.sinaimg.cn/spider20240802/667/w1080h387/20240802/3381-d237f85a83d0e36844966a3110bd21cf.png)
可以看到,ITINERA 生成的行程会经过苏州河沿岸的几座桥和黄浦江渡轮,在文艺的朵云书店结束,并且路线较为合理,将地点集中在两个空间聚类中。
而右图中 GPT 选择的 POI(个人偏好的兴趣点)则与用户要求的桥和渡轮不太相符,还出现了绕路、POI 距离过远的情况。除了这个例子外,GPT 有时还会出现幻觉,生成不存在的 POI。
概括而言,ITINERA 具有以下特色:
动态信息:实时更新 POI 和当前热门活动
个性定制:优先考虑个人喜好而非仅考虑热门景点
多样约束:灵活应对复杂、多样的用户需求
空间智能:结合空间优化算法,确保路线合理高效
ITINERA 在四个城市的旅行行程数据集(1233 条热门城市路线、7578 个 POI)上进行了训练评估。结果显示,它可以生成比传统行程规划、直接使用 LLM 等方法更优的效果。
![](http://n.sinaimg.cn/spider20240802/580/w320h260/20240802/c625-gif66d6777afc45c2e562a23fc4132a38e5.gif)
目前相关论文已被 KDD Urban Computing Workshop (UrbComp) 2024 收录。
![](http://n.sinaimg.cn/spider20240802/575/w1080h295/20240802/01b7-98b0110f3c82323f7b9dee6895cf67f6.png)
五大模块组成 ITINERA
下一个问题来了:咋做到的呢?
如下图所示,ITINERA 由大模型驱动的五个模块组成。
![](http://n.sinaimg.cn/spider20240802/735/w1080h455/20240802/6f4a-71d9fb5432cbb0865c44a7066943b9bf.png)
首先,User-owned POI Database Construction(UPC)模块从社交平台上的旅游内容中收集、构建用户兴趣点数据库。
为了规划符合用户请求的行程,Request Decomposition(RD)模块对用户的偏好进行解读和整理,转换为结构化的数据形式。
Preference-aware POI Retrieval(PPR)模块将会根据用户偏好进行检索,获取最相关的若干个兴趣点。
为了确保行程在空间上连贯,作者采用了 Cluster-aware Spatial Optimization(CSO)模块,通过解决分层旅行商问题来空间过滤和排列检索的兴趣点。
最后,Itinerary Generation(IG)模块将候选兴趣点集与多个约束相结合,使用大模型生成既空间合理又符合用户请求的旅行路线及相关描述。
![](http://n.sinaimg.cn/spider20240802/360/w664h496/20240802/1fcb-449eca72e926e2aba70f415f89f69e0d.jpg)
原理摸清了,ITINERA 实际表现如何呢?
为了搞清这个问题,作者收集了来自四个城市的旅行行程数据集,包括用户请求、相应的城市行程路线以及详细的兴趣点(POI)数据。
通过 POI 的召回率(RR)、总路程与理论最短路径的差值(AM)、路线中的交叉点个数(OL)、未知 POI 比例(FR)等客观指标,评测个性化推荐 POI 的准确度、与用户请求的匹配度,以及生成路线的空间合理度。
甚至为了解决兴趣点吸引力、用户请求匹配度等方面无法量化的问题,作者还采用了 LLM 自动评估 POI 的质量、路线的质量、行程和用户请求的匹配程度。
可以看到,与 GPT-3.5、GPT-4 和 GPT-4 CoT 等其他方法相比, ITINERA 系统在所有指标上均表现更好。
![](http://n.sinaimg.cn/spider20240802/581/w1080h301/20240802/f1ae-d11beac9ccf9862f1aed55da29a04550.png)
在用户和专家评估的 POI 质量(POI Quality)、行程质量(Itinerary Quality)和匹配度(Match)方面,ITINERA 系统也获得了更高的评分。
![](http://n.sinaimg.cn/spider20240802/448/w1080h168/20240802/dede-a646c5f51a3a078314d565fe5eddda9c.png)
总体来说,ITINERA 能够从自然语言请求直接生成个性化、空间连贯的 citywalk 行程,不仅探究了大模型时代的开放域行程规划问题,还提供了在城市应用中利用大模型解决复杂空间相关问题的思路。
更多方法细节和实验结果,欢迎阅读原文了解。
论文:
https://arxiv.org/abs/2402.07204
广告声明:文内含有的对外跳转链接(包括不限于超链接、二维码、口令等形式),用于传递更多信息,节省甄选时间,结果仅供参考,IT之家所有文章均包含本声明。
![新浪科技公众号 新浪科技公众号](http://n.sinaimg.cn/tech/content/tech_qr2x.png)
“掌”握科技鲜闻 (微信搜索techsina或扫描左侧二维码关注)
![](http://n.sinaimg.cn/tech/content/tech_weixin2.png)