PathGPT：将大语言模型引入个性化路径推荐的新范式

PathGPT是创新的路径推荐系统，核心是将路径推荐重新定义为自然语言生成任务，结合检索增强生成（RAG）技术，利用大语言模型（如Qwen2.5:14b-instruct量化版）的理解能力提供个性化路线。其在多城市真实数据集上表现显著优于基础LLM，为路径推荐领域提供灵活可扩展的新框架。

传统路径推荐算法（如Dijkstra）难捕捉用户个性化偏好；数据驱动的机器学习模型虽有进展，但训练完成后仅能生成符合训练数据分布的路径，面对新场景需重新训练，成本高且灵活性不足。

创新思路

将路径推荐重构为自然语言生成任务，核心优势包括统一模型架构、零样本适应能力、RAG增强生成。

系统架构

采用RAG架构，含向量数据库、上下文生成、提示词生成、子图构建模块。

支持路径类型

most_used（最常用）、fastest（最快）、shortest（最短）、touristic（风景）、highway_free（无高速）。

基础模型

使用Qwen2.5:14b-instruct的4位量化版，通过Ollama本地部署，仅需约10GB显存。

数据集

验证于北京、成都、哈尔滨三个城市的真实数据，含地图匹配轨迹、OSM地图、POI数据。

关键结果

• 风景路线推荐：PathGPT@3精确率/召回率显著高于基础LLM（如成都精确率从30.14%提升至88.34%）；
• 无高速路线推荐：PathGPT@3性能同样大幅领先；
• 检索数量影响：top_k增加性能稳步提升，但边际效益递减。 实验显示PathGPT在所有场景下优于基础LLM，召回率最高提升3倍以上。

应用场景

智能导航（个性化路线）、旅游规划（风景路线）、物流配送（无高速路线）、城市规划（出行偏好分析）。

未来方向

扩展至室内导航、无人机路径规划、抽象概念路径推荐等领域；继续优化RAG架构与本地化部署方案。

PathGPT是路径推荐领域的重要突破，将大语言模型与地理信息系统结合，通过任务重构和RAG技术提升推荐质量，提供灵活可扩展的框架，为个性化路径推荐的未来发展开辟新方向。