使 LLM 与人类出行选择对齐：一种基于人格的嵌入学习方法
人工智能
2025-05-27 v1
摘要
大语言模型（LLM）的出现为出行需求建模带来了新机遇。然而，LLM 与人类之间的行为不对齐阻碍了 LLM 的使用，且鉴于典型出行需求数据的约束，现有的对齐方法通常效率低下或不切实际。本文引入了一种新颖的框架，用于将 LLM 与人类出行选择行为对齐，并针对当前的出行需求数据源进行了定制。我们的框架使用人格推断和加载过程，通过合适的提示来条件化 LLM 以增强对齐。推断步骤从经验数据中建立一组基础人格，而由行为嵌入驱动的学习到的人格加载函数则指导加载过程。我们在 Swissmetro 方式选择数据集上验证了我们的框架，结果表明，我们提出的方法在预测聚合方式选择份额和个体选择结果方面，均显著优于基线选择模型和基于 LLM 的仿真模型。此外，我们展示了我们的框架可以通过可解释的参数生成关于人群行为的洞察。总体而言，我们的研究为稳健的基于 LLM 的出行行为仿真提供了一条更具适应性、可解释性和资源效率的途径，为未来将 LLM 整合到出行需求建模实践中铺平了道路。
引用
@article{arxiv.2505.19003,
title = {Aligning LLM with human travel choices: a persona-based embedding learning approach},
author = {Tianming Liu and Manzi Li and Yafeng Yin},
journal= {arXiv preprint arXiv:2505.19003},
year = {2025}
}
备注
32 pages, 8 figures