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。
