我要评论现在，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。
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。”
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。
目前相关论文已被 kdd urban computing workshop (urbcomp) 2024 收录。
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。
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。
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。
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。
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：
发表评论