一、项目背景
近年来，人工智能技术在旅游领域的应用日益广泛。近日，香港大学（港大）与麻省理工学院（MIT）等单位联合推出了一款名为ITINERA的系统，该系统将大型语言模型（LLM）与空间优化相结合，为用户提供个性化的开放域城市行程规划服务。
二、ITINERA系统特点
ITINERA系统具有以下四大特点：
- 动态信息：实时更新兴趣点（POI）和当前热门活动，确保用户获取最新信息。
- 个性定制：优先考虑个人喜好，而非仅考虑热门景点，为用户提供量身定制的行程。
- 多样约束：灵活应对复杂、多样的用户需求，满足个性化旅游体验。
- 空间智能：结合空间优化算法，确保路线合理高效。
三、系统应用实例
以用户输入“给我规划一条包含‘巨富长’、以静安寺为终点的Citywalk路线”为例，ITINERA系统迅速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。此外，系统还能满足用户提出的个性化需求，如“适合情侣一起去的酒吧”、“二次元圣地”和“途经网红打卡点”等。
四、与GPT-4 CoT的对比
为验证ITINERA系统的性能，研究人员将其与GPT-4 CoT进行了对比。在同一提示词“我想要一个文艺的路线，要经过桥和渡轮”下，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，路线较为合理，而GPT-4 CoT选择的POI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。
五、ITINERA系统架构
ITINERA系统由以下五大模块组成：
- 用户兴趣点数据库构建（UPC）：从社交平台上的旅游内容中收集、构建用户兴趣点数据库。
- 请求解析（RD）：对用户的偏好进行解读和整理，转换为结构化的数据形式。
- 偏好感知兴趣点检索（PPR）：根据用户偏好进行检索，获取最相关的若干个兴趣点。
- 聚类感知空间优化（CSO）：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。
- 行程生成（IG）：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。
六、实验结果
ITINERA系统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。在用户和专家评估的POI质量、行程质量和匹配度方面，ITINERA系统也获得了更高的评分。
七、总结
ITINERA系统的问世，不仅为大模型时代的开放域行程规划问题提供了新的解决方案，还展示了在城市应用中利用大模型解决复杂空间相关问题的可能性。随着人工智能技术的不断发展，我们有理由相信，未来旅游行业将迎来更多创新性的变革。
Views: 5