大模型成私人導遊，一鍵規劃Citywalk，港大MIT聯合出品

現在，大模型可以做私人導遊，爲你規劃Citywalk路線了——

港大MIT等單位聯合推出ITINERA，將LLM與空間優化相結合，實現個性化的開放域城市行程規劃。

舉個栗子，用戶輸入“給我規劃一條包含‘鉅富長’、以靜安寺爲終點的citywalk路線”。

ITINERA系統立馬生成了一條包含若干地點的路線，並提供了相應的介紹文本。

甚至“適合情侶一起去的酒吧”“二次元聖地”“途經網紅打卡點”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）和GPT-4 CoT生成的路線。

同一提示詞：“我想要一個文藝的路線，要經過橋和渡輪。”

可以看到，ITINERA生成的行程會經過蘇州河沿岸的幾座橋和黃浦江渡輪，在文藝的朵雲書店結束，並且路線較爲合理，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，還出現了繞路、POI距離過遠的情況。除了這個例子外，GPT有時還會出現幻覺，生成不存在的POI。

概括而言，ITINERA具有以下特色：

ITINERA在四個城市的旅行行程數據集（1233條熱門城市路線、7578個POI）上進行了訓練評估。

結果顯示，它可以生成比傳統行程規劃、直接使用LLM等方法更優的效果。

目前相關論文已被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遊內容中收集、構建用戶興趣點數據庫。

爲了規劃符合用戶請求的行程，Request Decomposition（RD）模塊對用戶的偏好進行解讀和整理，轉換爲結構化的數據形式。

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

爲了確保行程在空間上連貫，作者採用了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。

最後，Itinerary Generation（IG）模塊將候選興趣點集與多個約束相結合，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描述。

原理摸清了，ITINERA實際表現如何呢?

爲了搞清這個問題，作者收集了來自四個城市的旅行行程數據集，包括用戶請求、相應的城市行程路線以及詳細的興趣點（POI）數據。

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（OL）、未知POI比例（FR）等客觀指標，評測個性化推薦POI的準確度、與用戶請求的匹配度，以及生成路線的空間合理度。

甚至爲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，作者還採用了LLM自動評估POI的質量、路線的質量、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系統在所有指標上均表現更好。

在用戶和專家評估的POI質量（POI Quality）、行程質量（Itinerary Quality）和匹配度（Match）方面，ITINERA系統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劃問題，還提供了在城市應用中利用大模型解決複雜空間相關問題的思路。