論文の概要: TravelAgent: An AI Assistant for Personalized Travel Planning
- arxiv url: http://arxiv.org/abs/2409.08069v1
- Date: Thu, 12 Sep 2024 14:24:45 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-13 16:17:53.643323
- Title: TravelAgent: An AI Assistant for Personalized Travel Planning
- Title(参考訳): TravelAgent: パーソナライズされた旅行計画のためのAIアシスタント
- Authors: Aili Chen, Xuyang Ge, Ziquan Fu, Yanghua Xiao, Jiangjie Chen,
- Abstract要約: 大規模言語モデル(LLM)を利用した旅行計画システムであるTravelAgentを紹介する。
TravelAgentはツール使用、推奨、計画、メモリモジュールの4つのモジュールで構成されている。
我々は,TravelAgentの性能を人間とシミュレーションユーザで評価し,その全体的な効果を3つの基準で示し,パーソナライズされたレコメンデーションの精度を確認した。
- 参考スコア(独自算出の注目度): 36.046107116324826
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As global tourism expands and artificial intelligence technology advances, intelligent travel planning services have emerged as a significant research focus. Within dynamic real-world travel scenarios with multi-dimensional constraints, services that support users in automatically creating practical and customized travel itineraries must address three key objectives: Rationality, Comprehensiveness, and Personalization. However, existing systems with rule-based combinations or LLM-based planning methods struggle to fully satisfy these criteria. To overcome the challenges, we introduce TravelAgent, a travel planning system powered by large language models (LLMs) designed to provide reasonable, comprehensive, and personalized travel itineraries grounded in dynamic scenarios. TravelAgent comprises four modules: Tool-usage, Recommendation, Planning, and Memory Module. We evaluate TravelAgent's performance with human and simulated users, demonstrating its overall effectiveness in three criteria and confirming the accuracy of personalized recommendations.
- Abstract(参考訳): グローバルな観光が拡大し、人工知能技術が進歩するにつれ、インテリジェントな旅行計画サービスが重要な研究対象となっている。
多次元制約のある動的な現実世界の旅行シナリオの中で、ユーザが実際にカスタマイズされた旅行イテナリーを自動生成するのをサポートするサービスは、Rationality、Comprehensiveness、Personalizationの3つの主要な目標に対処する必要がある。
しかし、ルールベースの組み合わせやLLMベースの計画手法を持つ既存のシステムは、これらの基準を完全に満たすのに苦労している。
この課題を克服するために,我々は大規模言語モデル(LLM)を利用した旅行計画システムであるTravelAgentを紹介した。
TravelAgentはツール使用、推奨、計画、メモリモジュールの4つのモジュールで構成されている。
我々は,TravelAgentの性能を人間とシミュレーションユーザで評価し,その全体的な効果を3つの基準で示し,パーソナライズされたレコメンデーションの精度を確認した。
関連論文リスト
- QuadrupedGPT: Towards a Versatile Quadruped Agent in Open-ended Worlds [51.05639500325598]
QuadrupedGPTは、幅広い複雑なタスクを、ペットに匹敵する俊敏性でマスターするように設計された汎用エージェントである。
我々のエージェントは、大規模マルチモーダルモデル(LMM)を用いて、人間の命令と環境コンテキストを処理する。
長期的な目標を実行可能なサブゴールのシーケンスに分解できる問題解決機能を備えている。
論文 参考訳(メタデータ) (2024-06-24T12:14:24Z) - TRIP-PAL: Travel Planning with Guarantees by Combining Large Language Models and Automated Planners [6.378824981027464]
伝統的なアプローチは、与えられた形式言語における問題定式化に依存している。
最近のLarge Language Model (LLM) ベースのアプローチは、言語を使用してユーザリクエストから計画を直接出力する。
LLMと自動プランナの強度を組み合わせたハイブリッド手法TRIP-PALを提案する。
論文 参考訳(メタデータ) (2024-06-14T17:31:16Z) - Agent Planning with World Knowledge Model [88.4897773735576]
エージェント計画を容易にするためにパラメトリック世界知識モデル(WKM)を導入する。
我々はWKMを開発し、グローバルな計画と動的状態の知識を導くために、事前のタスク知識を提供する。
我々は、我々のWKMが視覚障害者の試行錯誤と幻覚的行動の問題を効果的に緩和できることを示すために分析を行った。
論文 参考訳(メタデータ) (2024-05-23T06:03:19Z) - Large Language Models Can Plan Your Travels Rigorously with Formal Verification Tools [12.875270710153021]
大規模言語モデル(LLM)は、複雑な最適化問題を正確に解くことができない。
本研究では, LLM を満足度変調理論 (SMT) 問題として, 旅行計画問題の定式化と解決を可能にする枠組みを提案する。
我々のフレームワークは、データセットの平均成功率は78.6%、TravelPlannerは85.0%の有効なプランを生成することができる。
論文 参考訳(メタデータ) (2024-04-18T04:36:37Z) - ITINERA: Integrating Spatial Optimization with Large Language Models for Open-domain Urban Itinerary Planning [17.250579851469695]
本稿では,自然言語によるユーザ要求から個人化された都市イテナリーを生成するオープンドメイン都市イテナリープランニング(OUIP)の課題を紹介する。
そこで我々は,大規模言語モデルと空間最適化を統合したOUIPシステムであるITINERAを紹介した。
実世界のデータセットの実験と、デプロイされたシステムの性能は、パーソナライズされた空間的に整合したイテレーションを提供するシステムの能力を示している。
論文 参考訳(メタデータ) (2024-02-11T13:30:53Z) - TravelPlanner: A Benchmark for Real-World Planning with Language Agents [63.199454024966506]
我々は,旅行計画に焦点を当てた新しい計画ベンチマークであるTravelPlannerを提案する。
豊富なサンドボックス環境、400万近いデータレコードにアクセスするためのさまざまなツール、計画意図とリファレンスプランを慎重にキュレートした1,225のツールを提供する。
包括的評価では、現在の言語エージェントがそのような複雑な計画タスクを処理できないことが示されており、GPT-4でさえ0.6%の成功率しか達成できない。
論文 参考訳(メタデータ) (2024-02-02T18:39:51Z) - Planning-oriented Autonomous Driving [60.93767791255728]
我々は、最終目標、すなわち自動運転車の計画を追求するために、好ましいフレームワークを考案し、最適化すべきであると主張している。
フルスタック運転タスクをひとつのネットワークに組み込んだ総合的なフレームワークであるUnified Autonomous Driving (UniAD)を紹介した。
論文 参考訳(メタデータ) (2022-12-20T10:47:53Z) - SPOTTER: Extending Symbolic Planning Operators through Targeted
Reinforcement Learning [24.663586662594703]
シンボリックプランニングモデルにより、意思決定エージェントは任意の方法でアクションをシーケンスし、ダイナミックドメインでさまざまな目標を達成できます。
強化学習アプローチはそのようなモデルを必要とせず、環境を探索して報酬を集めることでドメインダイナミクスを学ぶ。
我々は,当初エージェントが到達できない目標を達成するために必要な新たなオペレータを見つけることで,計画エージェント("spot")の強化とサポートにrlを使用するspotterという統合フレームワークを提案する。
論文 参考訳(メタデータ) (2020-12-24T00:31:02Z) - Learning to Move with Affordance Maps [57.198806691838364]
物理的な空間を自律的に探索し、ナビゲートする能力は、事実上あらゆる移動型自律エージェントの基本的な要件である。
従来のSLAMベースの探索とナビゲーションのアプローチは、主にシーン幾何学の活用に重点を置いている。
学習可能な余剰マップは探索と航法の両方において従来のアプローチの強化に利用でき、性能が大幅に向上することを示します。
論文 参考訳(メタデータ) (2020-01-08T04:05:11Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。