# 1 背景
随着大数据技术的发展，各行各业逐渐走向智能化。以人工智能和大语言模型为首的技术逐渐取代了传统的基于概率模型和向量分解的模型等技术。垂直领域下，AI+医疗、AI+教育、AI+法律、AI+党政等方面快速发展，在深度学习等技术的加持下将泛化领域的技术迁移至本领域，形成小而精的解决方案，为领域的后续发展奠定了技术基础和资源基础。受法律智能发展的启发，我们提出了路径智能。路径智能旨在为人们提供更方便快捷的路径服务，并在此基础上建立基于兴趣的、基于需求的、基于利益的路径关系，不断满足人们增长的生活需要。路径智能的涵盖范围十分广泛，不仅包括人们日常生活的地图导航、社交网络，也包含更偏向科研的论文引用，还有领域化的搜索引擎链接、服务器ssh跳转和个性化发展路径推荐。对于不同领域，场景特点也有所不同。例如在电商领域，算法工程师更加关注用户的兴趣偏好和隐式行为反馈，而教育领域更加关注学生的做题记录及其获得分数，从中挖掘学生对于每个知识点的掌握情况和试题属性，据此为学生推荐合适难度的试题，为学生提供学习路径，模拟教学环境帮助学生更好地掌握知识。对于法律领域，近年来大量公开的裁判文书为法律的研究提供了数据基础，案件繁琐且高度重复给法律工作者造成了繁重的负担，基于这一社会问题，法律智能在各个任务上的发展飞速，包括法律判决预测、类案检索、法律问答、庭审观点生成等子任务的技术从基于因式分解机的方法快速过渡到预训练方法，再到大模型。其中需要关注的一点是法律领域关于用户的建模还研究甚少，尽管存在原告、被告等当事人，律师、法官、书记员等法律从业者，但相关数据仍然需要从半结构化的法律文书中获取。例如律师作为法律从业者中的常见群体，有大量的受理案件记录，从中容易评判某一律师的擅长领域与从业经验。近年来律师的职业发展也受到广泛关注。路径智能不是数据库、云服务等水平领域，而是各专业领域的交集，研究各领域在路径方面的使用与探索，并泛化至各领域。目前对于路径在数据科学领域的研究很广泛，例如图神经网络在论文引用数据库上的实验、教育领域对学生学习路径的探索等。


# 2 课题
    课题一 路径推荐
        单位一 路径规划
        单位二 喜好规划
        单位三 需求规划
        单位四 利益规划
        单位五 路径关联，合作竞争与博弈
    课题二 路径纠错
        路径安全
    课题三 路径预测
    课题四 路径翻译
    课题五 路径检索
    课题六 路径生成
    课题七 路径报告

# 3 研究内容

对路径的研究主要集中在三个方向，第一个方向是路径质量评估。路径质量评估现有的方法主要依靠路径使用率等指标衡量，没有从更深角度对路径的价值进行分析与探索。
第二个方向是路径检索，例如在文件存储路径中对文件的检索。Everything和ElasticSearch以及各类数据库都是以此为研究对象。
第三个方向是路径预测。比较著名的任务是交通灯规划预测，它主要通过控制交通灯红绿灯的时间以达到优化道路通行的目标。未来希望路径智能能够辅助复杂决策，创造经济收益，维护社会价值。
## 3.1 路径质量评估
现有的路径质量评估方法可以从使用率来评估，简单来说，使用率越高，路径的价值越高，也能够反映路径的质量高，反之亦然。但这种方法缺乏对路径的多角度评估，例如一段道路用于通勤，朝夕车流多少不同，有朝夕车道的道路比没有朝夕车道的道路利用率更高，价值也更高。从另一个角度，一条车道用于应急，它的日常使用率不高，但它的价值也不低，在应急方面的价值较高。此外，现有的路径质量评估方法没有体验与使用者的交互关系。对于不同的使用者，价值也不尽相同。例如一段路对职场白领的价值提现在通勤，使用率就代表了通勤时长占比，但对于市政或环卫工人，一段路的价值提现在维护次数上，维护次数更多，使用率也更高。基于深度学习的质量评估方法弥补了这些不足，为路径质量评估提供了更多角度的评估方法。现有的质量评估方法在用户建模领域有广泛应用，例如教育领域通过学生做题记录预测学生是否做对题目来评估学生能力。我们计划将相关领域的技术迁移至路径质量评估任务上，结合深度学习技术，表征使用者与路径之间的相对关系，通过预测使用率学习隐层特征表示参数，评估路径质量。
以旅游路径选择为例，因素包括路标、意愿、旁人话语导向、景点吸引力、拥挤、服务站需求指向、选择、习惯、远近时间判断、宗教信仰、美好祝福、气温衣物舒适度、开工没有回头箭、携带水和食物量、在意因素、施工通知、性价比判断、比较、目标、时间可控范围等。


## 3.2 路径检索
类案检索通过预训练模型将案件文本表示为稠密向量，对比tf-idf、bm25deng等传统方法效果显著提升。二十一世纪以来，检索算法飞速发展，基于knn的搜索方法被用于检索，基于此，树结构的kdtree和图结构的hnsw通过数据结构的方式存储节点，高效实现节点检索。由此加速了表示学习方法的发展。在此之下，表示得越准确，检索的效果越好。在类案检索中，我们将法律文书进行表征，基于bert的预训练模型方法能够充分挖掘文本之间的联系，准确表征文本语义。路径领域有大量不同领域的路径数据，通过检索方法，我们能够根据目标快速查找目标路径，便利生活。

## 3.3 路径预测
路径预测主要是为使用者提供合适的路线，在存在多条路线的情况下可以为使用者推荐更合适的路线。此外，在道路交通领域，交通灯预测主要通过强化学习的方法，优化交通灯亮灭时间，达到优化车辆通行的目的。

## 3.4 路径翻译
路径翻译旨在为用户提供通俗易懂的路径指导。例如为路人指路，“前面直走再右转”的指路方法在较近的目的地可能比较精确，但在较远的目的地不如“在解放西路右转”的方法精确。同理，“一楼角落的房间”不如“图书馆108室”精确。针对方言，我们借鉴翻译方法，例如法律智能中的法言法语，对藏语等少数民族语言的法律专业词汇进行翻译解释，确保知识与语义的传播.

# 4 维度体系
    <table border="1">
    <tr>
        <td rowspan="4">地图</td>
        <td rowspan="3">市政</td>
        <td rowspan="2">路径</td>
        <td>使用率 (0,1)</td>
    </tr>
    <tr>
        <td rowspan="3">市政</td>
        <td rowspan="2">路径</td>
        <td>维护频率 天|周|年</td>
    </tr>
    <tr>
        <td rowspan="3">市政</td>
        <td rowspan="2">路径</td>
        <td>评价 1|2|3|4|5</td>
    </tr>
    <tr>
        <td rowspan="3">市政</td>
        <td rowspan="2">路径</td>
        <td>用途 通勤|应急|娱乐|高峰|赛事</td>
    </tr>
    <tr>
        <td rowspan="3">市政</td>
        <td rowspan="2">路径</td>
        <td>单向/双向</td>
    </tr>
    <tr>
        <td rowspan="3">高德</td>
        <td rowspan="2">路径</td>
        <td>使用率</td>
    </tr>
    <tr>
        <td rowspan="3">高德</td>
        <td rowspan="2">路径</td>
        <td>维护频率</td>
    </tr>
    <tr>
        <td rowspan="3">高德</td>
        <td rowspan="2">路径</td>
        <td>评价</td>
    </tr>
    <tr>
        <td rowspan="3">高德</td>
        <td rowspan="2">路径</td>
        <td>用途</td>
    </tr>
    <tr>
        <td rowspan="3">高德</td>
        <td rowspan="2">路径</td>
        <td>单向/双向</td>
    </tr>
    <tr>
        <td rowspan="3">美团</td>
        <td rowspan="2">路径</td>
        <td>使用率</td>
    </tr>
    <tr>
        <td rowspan="3">美团</td>
        <td rowspan="2">路径</td>
        <td>维护频率</td>
    </tr>
    <tr>
        <td rowspan="3">美团</td>
        <td rowspan="2">路径</td>
        <td>评价</td>
    </tr>
    <tr>
        <td rowspan="3">美团</td>
        <td rowspan="2">路径</td>
        <td>用途</td>
    </tr>
    <tr>
        <td rowspan="3">美团</td>
        <td rowspan="2">路径</td>
        <td>单向/双向</td>
    </tr>
    <tr>
        <td rowspan="2">路网</td>
        <td>规模</td>
    </tr>

    <tr>
        <td rowspan="2">item</td>
        <td>使用频率</td>
    </tr>
    <tr>
        <td>入度</td>
    </tr>
    <tr>
        <td>出度</td>
    </tr>
    </table>

# 5 联系
    课题一为课题二、三、四、五、六和七提供研究数据。
    课题二为课题一的数据提供纠错服务。
    课题四负责将晦涩难懂的信息翻译成通俗易懂的语言。
    课题五为其它课题提供检索工具。
    课题七负责总结。
    课题三负责相关事务的预报与预期。
    课题六根据已有信息生成路径。

# 6 应用示范
课题一 路径推荐
    高德地图
    路径质量评估 neo4j
课题二 路径纠错
    豆包
    路径安全 滴滴打车
课题三 路径预测
    太原市交警大队
课题四 路径翻译
    科大讯飞
    有道翻译官
课题五 路径检索
    Everything
    百度
课题六 路径生成
    deepseek
课题七 路径报告
    中央党校/道路自信




# 7 考核指标
一级维度体系标签10项，二级维度体系标签100项，三级维度体系标签1000项，论文一篇，专利一项，软著一项，应用示范单位一家
毛利率点击率gdpkpi破案率结案率好评率
