大模型化私人导游：港大MIT联合打造ITINERA，一键实现个性化城市漫步与空间优化路线规划

大型语言模型（LLM）与空间优化技术的融合，催生了一款全新的城市探索工具——ITINERA。这款由香港大学与麻省理工学院合作开发的应用程序，旨在为用户提供个性化的城市漫步（Citywalk）路线规划服务。用户只需简单地提出自己的游览偏好，ITINERA便能迅速生成一条量身定制的路线，甚至能够理解并满足诸如“寻找适合情侣的酒吧”或“探访二次元文化圣地”这样的特定需求。

实现个性化旅程规划

ITINERA的强大之处在于它不仅能根据用户的个性化要求规划路线，还能确保这些路线在空间布局上的合理性。例如，当用户提出希望体验一条充满文艺气息、包含桥梁与渡轮的漫步路线时，ITINERA不仅能精准捕捉到这一需求，还能确保所选地点的地理分布紧凑合理，避免不必要的绕行。相比之下，即使是功能强大的GPT-4，在处理类似任务时也可能出现选择地点与用户需求不符、路线不合理等问题。

ITINERA的核心优势

– 动态信息更新：实时追踪最新的兴趣点（POI）及热门活动。
– 个性化定制：注重用户偏好，而非单纯追求热门景点。
– 多样化约束条件：灵活适应复杂的用户需求。
– 空间智能化：运用空间优化算法，保证路线的高效性。

ITINERA的开发团队通过对四个城市的旅行数据进行训练和评估，证明了其在行程规划方面的卓越性能。相关研究成果已获得2024年KDD Urban Computing Workshop的认可。

技术架构揭秘

ITINERA的技术核心是五个相互协作的模块：
– 用户兴趣点数据库构建（UPC）：从社交媒体中提取数据，建立用户兴趣点数据库。
– 需求分解（RD）：解析用户的个性化需求，并将其转化为结构化数据。
– 偏好导向的兴趣点检索（PPR）：基于用户偏好筛选出最相关的目的地。
– 集群感知的空间优化（CSO）：采用空间优化算法确保行程在地理上的连贯性。
– 行程生成（IG）：整合候选兴趣点，生成既符合用户需求又具备空间逻辑性的路线。

性能评估

ITINERA在多个维度上的表现均优于竞争对手，如GPT-3.5、GPT-4等。无论是从客观指标（如兴趣点的召回率、路线长度与理想最短路径的差距等），还是主观评价（如兴趣点质量、行程质量、与用户需求的匹配度等），ITINERA都展现出了显著的优势。这一成果不仅解决了城市漫步规划的具体问题，也为利用大型语言模型解决更为广泛的城市应用场景提供了新的思路。

本文来源： 量子位【阅读原文】