BUA-IRIP-LLM发布Behavior2Trip:基于用户行为轨迹的个性化旅行规划新基准
摘要:BUA-IRIP-LLM团队发布了一项名为Behavior2Trip的新基准,旨在通过用户过去的行为轨迹推断其偏好,从而实现个性化旅行规划。该基准包含11,400个实例,每个实例平均涵盖39.8个用户行为,跨越14个属性和5个偏好维度。研究团队还提出了基于强化学习的B2T-Agent模型,该模型利用用户行为轨迹进行偏好对齐检索,并在实验中显著优于GPT-4.1等基线模型,展示了该任务在个性化旅行规划中的巨大潜力。
核心突破
BUA-IRIP-LLM团队发布了一项名为Behavior2Trip的新基准,旨在解决现有旅行规划智能体在个性化推荐方面的局限性。该基准通过以下方式实现了突破:
- 数据规模与多样性:从中国最大的在线旅行平台收集数据,包含11,400个实例,每个实例平均涵盖39.8个用户行为,跨越14个属性和5个偏好维度。
- 任务定义:提出了“行为感知旅行规划”任务,直接从用户过去的行为推断其偏好,而无需依赖显式的用户指令或交互。
- 模型创新:提出了B2T-Agent,这是一种基于强化学习的智能体,能够利用用户行为轨迹进行偏好对齐检索,并结合外部工具进行高效信息检索。
技术亮点
- 数据构建:Behavior2Trip基准的数据集构建精细,涵盖了丰富的用户行为和偏好维度,为研究提供了高质量的数据支持。
- 强化学习应用:B2T-Agent通过强化学习技术,能够在复杂任务环境中进行动态决策和优化。
- 性能优势:在实验中,B2T-Agent在最难的任务上表现优异,其全约束通过率显著高于GPT-4.1,展示了其在个性化旅行规划中的强大能力。
- 泛化能力:B2T-Agent在TravelPlanner基准测试中也表现出色,证明了其在不同任务场景中的泛化能力。
行业影响
- 个性化服务提升:该研究为旅行规划行业提供了新的技术路径,能够显著提升个性化服务的质量和用户满意度。
- AI应用拓展:该方法不仅适用于旅行规划,还可以扩展到其他需要个性化推荐的领域,如电商推荐、新闻推荐等。
- 开发者建议:对于开发者而言,Behavior2Trip基准和B2T-Agent模型提供了一个强大的工具,可以用于开发更智能、更个性化的旅行规划系统。
开发者建议
- 数据利用:建议开发者充分利用Behavior2Trip基准的数据集进行模型训练和评估。
- 模型优化:可以尝试结合其他先进的AI技术(如多模态学习、图神经网络等)进一步优化B2T-Agent的性能。
- 应用扩展:探索将该方法应用于其他领域的可能性,如智能家居、虚拟助手等。
—— 完 ——消息来源:ArXiv cs.AI (2026-08-27)
主题标签: #BUA-IRIP-LLM #Behavior2Trip #个性化推荐 #强化学习 #旅行规划
编辑部与事实核查说明:本篇专刊由智客前沿资讯管线根据官方技术公告、学术论文及开源工程文档整理编译,经算法实体核验与人工编辑审校后发布。若发现技术事实纰漏,欢迎依据勘误方针或一键向编辑部发送勘误反馈。
社区整体评论区