我们应在哪里见面？通过结合偏好和移动性的推理方法，利用MEET-LLM来推荐小组会议的地点

《CHAIN》：Where shall we meet? Group meeting location recommendation via preference-mobility reasoning with MEET-LLM

　　

摘要：

大型语言模型（LLMs）正在推动智能交通系统（ITS）向自主化范式发展，使系统具备意图理解、基于约束的推理和决策能力。本文重点关注团队会议地点推荐（GMLR）问题，该问题旨在在实际交通网络约束下同时优化团队偏好和出行成本。然而，现有方法往往忽略了现实世界的地理环境，无法协调团队偏好与空间可行性，并且严重依赖静态、结构化的数据来模拟团队偏好，这限制了它们在复杂和动态团队场景中的适用性。我们提出了MEET-LLM，这是一个基于LLM的自主化、闭环式GMLR框架。MEET-LLM包含三个模块：（1）偏好分析模块，利用LLM从自然语言评论中提取多级偏好，构建用户和商家的结构化语义表示，克服了静态聚合方法的局限性；（2）空间优化模块，引入了出行成本（MC）指标来评估团队级别的出行便利性，并考虑用户特定的出行约束；（3）思维链（CoT）推理模块，通过多轮LLM推理协调团队偏好和出行成本，生成可解释、可执行的推荐结果，并提供基于地图的导航指导。MEET-LLM能够同时协调团队偏好和空间可行性，将自然语言推理与现实世界的出行执行相结合。它在真实的城市环境中实现了动态、结构化且可操作的推荐，凸显了LLM作为ITS中自主化出行协调认知核心的潜力。