基于相对距离空间推理的检索增强生成

《ACM Transactions on Spatial Algorithms and Systems》：Retrieval Augmented Generation for Relative Distance-based Spatial Reasoning

　　

摘要AI摘要

要查看此AI生成的摘要，您必须拥有高级访问权限。

了解更多登录

摘要

摘要

大语言模型（LLMs）可应用于各种实际任务，其中许多任务需要空间推理能力，例如基于模式的空间搜索、兴趣点（POI）推荐以及行程或旅行规划。然而，研究表明大语言模型自身缺乏可靠的空间推理能力，尤其是在距离方面。此外，要成功完成这些任务，需要大语言模型已接触过相关地点，并能成功区分其空间含义，而这受地名的知名度影响。为解决这些问题，我们提出了一种新颖的方法，利用空间检索增强生成（RAG）使大语言模型在回答涉及距离推理的空间问题时，能够使用训练期间未显式学习到的相关距离信息。我们的方法编码了城市和城镇之间测地距离与路网距离的空间图，以及它们与别名的映射关系，并比较了多种技术，从这些知识库中为大语言模型提供适当的空间上下文。通过整合相关空间信息，我们的方法在多个需要基于距离的空间推理的任务上显著优于基线大语言模型，包括最近邻问题和距离类比问题。我们进一步通过实验表明，哪些图存储和检索方法表现最佳，以及哪些在应用于更具挑战性的问题时较为脆弱。鉴于大语言模型可能被要求推理的地点种类广泛，我们的工作迈出了迈向提供基础距离导向空间"世界模型"的第一步，以补充大语言模型中蕴含的海量语言知识。

AI摘要

AI生成摘要（实验性）

此摘要由自动化工具生成，未经本文作者撰写或审核。其目的是支持信息发现，帮助读者评估相关性，并协助来自邻近研究领域的读者理解本文工作。它旨在补充作者提供的摘要，后者仍是本文的主要摘要。全文仍为权威版本记录。 点击此处了解更多。

点击 此处 对摘要的准确性、清晰度和实用性发表评论。这样做将有助于改进和未来的重新生成版本。

要查看此AI生成的通俗摘要，您必须拥有高级访问权限。