Synergizing Spatial Optimization with Large Language Models for Open-Domain Urban Itinerary Planning

最新推荐文章于 2024-10-08 20:27:53 发布

UnknownBody

最新推荐文章于 2024-10-08 20:27:53 发布

阅读量86

点赞数

分类专栏： Urban and Traffic 文章标签：语言模型人工智能自然语言处理

本文链接：https://blog.csdn.net/c_cpp_csharp/article/details/137016166

版权

LLM 日更同时被 2 个专栏收录

679 篇文章 3 订阅

已下架不支持订阅

Urban and Traffic

14 篇文章 0 订阅

订阅专栏

本文介绍了一种名为ItiNera的系统，该系统将大型语言模型（LLM）与空间优化结合，用于开放域城市行程规划（OUIP）。ItiNera通过LLM提取和更新POI特性，为用户提供个性化行程，同时通过空间优化模块确保行程的连贯性。实验证明，与现有解决方案相比，ItiNera提供了更具响应性和空间连贯性的路线，已在TuTu在线旅游服务平台上线并获得用户认可。

摘要由CSDN通过智能技术生成

本文是LLM系列文章，针对《Synergizing Spatial Optimization with Large Language Models for Open-Domain Urban Itinerary Planning》的翻译。

摘要

在本文中，我们首次提出了城市步行的开放域城市行程规划（OUIP）任务，该任务直接根据自然语言描述的用户请求生成行程。OUIP不同于传统的行程规划，后者限制了用户表达更详细的需求，阻碍了真正的个性化。最近，大型语言模型（LLM）在处理各种任务方面显示出了潜力。然而，由于非实时信息、知识不完整和空间意识不足，他们无法在OUIP中独立提供令人满意的用户体验。有鉴于此，我们介绍了ItiNera，这是一个OUIP系统，它将空间优化与大型语言模型（LLM）协同起来，提供基于用户需求定制城市行程的服务。具体来说，我们开发了一个基于LLM的管道，用于提取和更新POI特征，以创建用户拥有的个性化POI数据库。对于每个用户请求，我们利用LLM与基于嵌入的模块合作，从用户的POI数据库中检索候选POI。然后，使用空间优化模块对这些POI进行排序，然后LLM制定个性化的、空间连贯的行程。据我们所知，这项研究标志着LLM首次集成以创新行程规划解决方案。在离线数据集和在线主观评估上进行的大量实验表

了解本专栏