利用大语言模型（LLM）引导的交互进行个性化行程规划

《Recent Advances in Computer Science and Communications》：Personalized Itinerary Planning with LLM-Guided Interaction

基于LLM的对话式行程规划系统融合结构化输入与隐式行为反馈，通过动态评分算法优化推荐准确度达92%，显著降低认知负荷28.9±4.7和迭代次数28%，用户满意度4.6±0.5，验证了混合交互界面在个性化服务中的优势。

　　

摘要

引言：个性化行程规划需要能够理解用户多样化需求同时最小化认知负担的系统。传统工具通常依赖于严格的表单输入或非结构化的对话式代理，这限制了其可用性。本研究介绍了一种新型的混合界面，该界面由大型语言模型（LLMs）引导，结合了对话的灵活性和结构化的控制，并通过隐式行为反馈进行优化，以提高旅行规划的效率。

方法：开发了一个系统，将微调过的LLaMA-3模型与结合了对话式和表单输入的混合界面相结合。通过加权评分算法引入了隐式反馈（停留时间、点击次数），以实时改进推荐结果。进行了涉及50名参与者的用户研究，比较了三种界面：对话式、表单式和混合式。使用了标准化指标，包括可用性（SUS）、认知负荷（NASA-TLX）、效率（完成时间和迭代次数）以及满意度。

结果：混合界面的可用性得分显著高于对话式或表单式界面（86.1 ± 5.9），认知负荷最低（28.9 ± 4.7），行程完成时间最快（11.8 ± 1.6分钟）。由于引入了隐式反馈，推荐准确性达到了92%，规划迭代次数减少了28%。混合界面的满意度最高（5分制下得分为4.6 ± 0.5），92%的参与者表示满意或非常满意。

讨论：研究结果证实，混合界面在对话灵活性和结构化清晰度之间取得了平衡，与传统方法相比显著改善了用户体验。隐式反馈机制减少了用户的努力，并提高了推荐的相关性，展示了自适应交互的优势。局限性包括偶尔的LLM误解和轻微的延迟（平均每次查询1.2秒）。与传统的推荐系统相比，混合界面在效率上有明显提升，但需要在更多领域进行进一步验证。由于研究仅限于10个目的地且参与者数量较少（N = 50），因此应对结果持谨慎态度。未来的工作应探索多模态输入（如语音和图像）并进行纵向研究以评估用户的持续参与度。

结论：由LLM引导的混合界面为个性化行程规划提供了一种可扩展且有效的解决方案，显著优化了可用性、准确性和效率。通过将隐式行为信号与自适应的人机交互相结合，这项工作推动了智能推荐系统和人机交互（HCI）研究的发展，其应用潜力不仅限于旅行领域。该工作在之前基于AI的行程生成和对话式旅行助手的基础上，进一步扩展了自适应交互功能。

关键词： 大型语言模型, 人机交互, 个性化行程规划, 自适应界面, 隐式反馈, 对话系统