現(xiàn)在，大模型可以做私人導(dǎo)游，為你規(guī)劃Citywalk路線了——

港大MIT等單位聯(lián)合推出ITINERA，將LLM與空間優(yōu)化相結(jié)合，實現(xiàn)個性化的開放域城市行程規(guī)劃。

舉個栗子，用戶輸入“給我規(guī)劃一條包含‘巨富長’、以靜安寺為終點的citywalk路線”。

ITINERA系統(tǒng)立馬生成了一條包含若干地點的路線，并提供了相應(yīng)的介紹文本。

甚至“適合情侶一起去的酒吧”“二次元圣地”“途經(jīng)網(wǎng)紅打卡點”這樣的個性化需求，ITINERA也可以理解和滿足。

單看可能沒感覺，咱們直接對比ITINERA（左側(cè)）和GPT-4 CoT生成的路線。

同一提示詞：“我想要一個文藝的路線，要經(jīng)過橋和渡輪。”

可以看到，ITINERA生成的行程會經(jīng)過蘇州河沿岸的幾座橋和黃浦江渡輪，在文藝的朵云書店結(jié)束，并且路線較為合理，將地點集中在兩個空間聚類中。

而右圖中GPT選擇的POI（個人偏好的興趣點）則與用戶要求的橋和渡輪不太相符，還出現(xiàn)了繞路、POI距離過遠(yuǎn)的情況。除了這個例子外，GPT有時還會出現(xiàn)幻覺，生成不存在的POI。

概括而言，ITINERA具有以下特色：

• 動態(tài)信息：實時更新POI和當(dāng)前熱門活動
• 個性定制：優(yōu)先考慮個人喜好而非僅考慮熱門景點
• 多樣約束：靈活應(yīng)對復(fù)雜、多樣的用戶需求
• 空間智能：結(jié)合空間優(yōu)化算法，確保路線合理高效

ITINERA在四個城市的旅行行程數(shù)據(jù)集（1233條熱門城市路線、7578個POI）上進(jìn)行了訓(xùn)練評估。

結(jié)果顯示，它可以生成比傳統(tǒng)行程規(guī)劃、直接使用LLM等方法更優(yōu)的效果。

目前相關(guān)論文已被KDD Urban Computing Workshop (UrbComp) 2024收錄。

五大模塊組成ITINERA

下一個問題來了：咋做到的呢？

如下圖所示，ITINERA由大模型驅(qū)動的五個模塊組成。

首先， User-owned POI Database Construction（UPC）模塊從社交平臺上的旅游內(nèi)容中收集、構(gòu)建用戶興趣點數(shù)據(jù)庫。

為了規(guī)劃符合用戶請求的行程，Request Decomposition（RD）模塊對用戶的偏好進(jìn)行解讀和整理，轉(zhuǎn)換為結(jié)構(gòu)化的數(shù)據(jù)形式。

Preference-aware POI Retrieval（PPR）模塊將會根據(jù)用戶偏好進(jìn)行檢索，獲取最相關(guān)的若干個興趣點。

為了確保行程在空間上連貫，作者采用了Cluster-aware Spatial Optimization（CSO）模塊，通過解決分層旅行商問題來空間過濾和排列檢索的興趣點。

最后，Itinerary Generation（IG）模塊將候選興趣點集與多個約束相結(jié)合，使用大模型生成既空間合理又符合用戶請求的旅行路線及相關(guān)描述。

原理摸清了，ITINERA實際表現(xiàn)如何呢?

為了搞清這個問題，作者收集了來自四個城市的旅行行程數(shù)據(jù)集，包括用戶請求、相應(yīng)的城市行程路線以及詳細(xì)的興趣點（POI）數(shù)據(jù)。

通過POI的召回率（RR）、總路程與理論最短路徑的差值（AM）、路線中的交叉點個數(shù)（OL）、未知POI比例（FR）等客觀指標(biāo)，評測個性化推薦POI的準(zhǔn)確度、與用戶請求的匹配度，以及生成路線的空間合理度。

甚至為了解決興趣點吸引力、用戶請求匹配度等方面無法量化的問題，作者還采用了LLM自動評估POI的質(zhì)量、路線的質(zhì)量、行程和用戶請求的匹配程度。

可以看到，與GPT-3.5、GPT-4和GPT-4 CoT等其他方法相比， ITINERA系統(tǒng)在所有指標(biāo)上均表現(xiàn)更好。

在用戶和專家評估的POI質(zhì)量（POI Quality）、行程質(zhì)量（Itinerary Quality）和匹配度（Match）方面，ITINERA系統(tǒng)也獲得了更高的評分。

總體來說，ITINERA能夠從自然語言請求直接生成個性化、空間連貫的citywalk行程，不僅探究了大模型時代的開放域行程規(guī)劃問題，還提供了在城市應(yīng)用中利用大模型解決復(fù)雜空間相關(guān)問題的思路。

更多方法細(xì)節(jié)和實驗結(jié)果，歡迎閱讀原文了解。

論文：https://arxiv.org/abs/2402.07204