摘要
受人类交流空间信息的启发，基于语言的地理定位因其直观和实用的价值而受到广泛关注。尽管已有进展，但大多数方法仍然依赖静态的一次性检索范式，无法处理现实世界自然语言描述中的模糊性和不完整性。我们提出一种范式转变，称为对话地点识别（DlgPR），将定位视为一个互动的、由对话驱动的推理过程。
为支持这一新任务，我们推出了 DlgQuest-Cities，这是首个大规模基于对话的地点识别基准，并提出一个统一的推理框架，该框架结合了跨模态多级检索器与智能提问者 DQ-pilot。DQ-pilot 采用课程训练：在一个精心挑选的 DQ-cities-20k 子集上进行监督微调，然后在更难的 DQ-cities-10k 拆分上通过 GRPO 进行强化精炼。
学习过程中使用两个任务对齐的指标：一个用于课程采样的判别难度指数（DDI），以及一个直接测量由问题引起的检索改进的位置信息检索增益（PRG）奖励。实验结果表明，这种基于推理的方法显著优于基线。
代码和模型可在 GitHub 获取。
博主点评： 该研究通过引入对话机制，显著提升了地点识别的准确性与灵活性，展现了人机交互的新潜力，尤其是在处理复杂自然语言描述方面的优势，值得关注。