[논문 리뷰] ITINERA: Integrating Spatial Optimization with Large Language Models for Open-domain Urban Itinerary Planning

Yihong Tang, Z. Wang외 12명|arXiv (Cornell University)|2024. 02. 11.

Geographic Information Systems Studies인용 수 5

한 줄 요약

ITINERA는 Open-domain Urban Itinerary Planning (OUIP)을 도입하고, 공간 최적화와 대형 언어 모델을 결합하여 자연어 요청으로부터 개인화되고 공간적으로 일관된 도시 도보 일정(citywalk itineraries)을 생성합니다.

ABSTRACT

Citywalk, a recently popular form of urban travel, requires genuine personalization and understanding of fine-grained requests compared to traditional itinerary planning. In this paper, we introduce the novel task of Open-domain Urban Itinerary Planning (OUIP), which generates personalized urban itineraries from user requests in natural language. We then present ITINERA, an OUIP system that integrates spatial optimization with large language models to provide customized urban itineraries based on user needs. This involves decomposing user requests, selecting candidate points of interest (POIs), ordering the POIs based on cluster-aware spatial optimization, and generating the itinerary. Experiments on real-world datasets and the performance of the deployed system demonstrate our system's capacity to deliver personalized and spatially coherent itineraries compared to current solutions. Source codes of ITINERA are available at https://github.com/YihongT/ITINERA.

연구 동기 및 목표

• Open-domain Urban Itinerary Planning (OUIP) 문제를 개인화된 도시 이동 계획을 위해 정의한다.
• ITINERA를 개발하고, POI 검색, 클러스터링 및 공간 최적화를 통합하여 일정을 생성하는 LLM 보조 시스템으로 만든다.
• 개인화를 지원하고 콜드 스타트 문제를 줄이기 위해 사용자 소유의 POI 데이터베이스를 enables 한다.
• ITINERA가 베이스라인보다 실제 데이터에서 더 개인화되고 공간적으로 일관된 일정은 생산한다는 것을 입증한다.
• 실제 시나리오에서 성능을 검증하기 위한 배 deployed 시스템과 평가를 제공한다.]
• method:[
• 사용자 요청을 LLM을 사용하여 Granularity와 attitude cues가 있는 하위 요청으로 분해한다.
• preference-aware 임베딩 및 유사도 점수를 통해 사용자 소유 POI 데이터베이스에서 후보 POIs를 검색한다.
• 검색된 POI를 공간적으로 클러스터링하고 클러스터 인식 선택 전략으로 후보를 선택한다.
• 클러스터 간 공간적 일관성을 보장하기 위해 계층적 TSP를 해결하여 POI를 정렬한다.
• 정렬된 POI와 제약 조건을 바탕으로 최종 일정을 생성하는 LLM 기반 제너레이터를 사용한다.

제안 방법

• 사용자 요청을 Granularity와 attitude cues를 가진 하위 요청으로 분해한다.
• 선호 인식 임베딩 및 유사도 점수를 통해 사용자 소유 POI 데이터베이스에서 후보 POIs를 검색한다.
• 검색된 POI를 공간적으로 클러스터링하고 클러스터 인식 선택 전략으로 후보를 선택한다.
• 클러스터 간 공간 일관성을 보장하기 위해 계층적 TSP를 해결하여 POI를 정렬한다.
• 정렬된 POI와 제약 조건을 주어진 최종 일정의 생성에 사용되는 LLM 기반 제너레이터를 사용한다.

실험 결과

연구 질문

• RQ1 OUIP를 개인화된 오픈 도메인 도시 일정 계획으로 운영적으로 정의하고 측정하는 방법은 무엇인가?
• RQ2 ITINERA의 LLM과 공간 최적화의 통합이 개인화 및 공간 일관성 측면에서 전통적 IP 방법 및 순수 LLM 접근 방식보다 우수한가?
• RQ3 ITINERA 모듈(RC, RD, PPR, CSO, IG)이 일정 품질과 사용자 요청과의 정합성에 미치는 영향은 무엇인가?
• RQ4 사용자 소유 POI 데이터베이스를 사용하는 것이 OUIP에서 개인화, 실행 가능성 및 콜드 스타트 문제에 어떤 영향을 미치는가?

주요 결과

• ITINERA는 베이스라인보다 사용자 요청과 더 잘 일치하는 개인화되고 공간적으로 일관된 일정을 제공한다.
• 시스템은 최단 TSP 경로보다 약간 더 긴 정도로만 차이가 나며 공간적 일관성을 유지한다.
• 엘리베이션 연구에서 각 모듈이 재호출성, POI 품질, 일정 품질 및 사용자 요청과의 일치에 기여한다는 것을 보인다.
• 사람의 평가에서 ITINERA가 실제 시나리오에 대해 GPT-4 CoT 베이스라인보다 선호된다.
• 배포된 시스템은 평가된 지표에서 더 높은 일치 및 사용자 만족도를 보여준다.