导语：ITINERA 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。

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。

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。

（文章为作者独立观点，不代表艾瑞网立场）