ReaGeo: LLM を活用した推論強化型エンドツーエンドジオコーディング

arXiv:2604.21357v1 発表形式：新 Abstract: この論文は、従来のテキストまたはベクター類似検索に依存する多段階アプローチの制約（ワークフローの複雑さ、エラーの伝播、構造化された地理データベースへの重依赖）を克服するように設計された、大規模言語モデルに基づくエンドツーエンドジオコーディングフレームワーク「ReaGeo」を提案します。本方法は、地理座標をジオハッシュシーケンシャルに変換し、座標予測タスクを文字生成問題として再構成するとともに、空間的関係に対するモデルの推論を強化するために Chain-of-Thought メカニズムを導入します。さらに、距離乖脱に基づく報酬を用いた強化学習が適用され、生成精度の最適化が行われます。包括的な実験结果显示 ReaGeo は単点予測での明示的な住所クエリを正確に処理でき、かつあいまいな相対位置クエリを効果的に解決できます。さらに、このモデルは非点的な幾何学的領域に対する強い予測能力を示しており、ジオコーディングタスクにおける汎用性と一般化能力を強調しています。

arXiv:2604.21357v1 Announce Type: new Abstract: This paper proposes ReaGeo, an end-to-end geocoding framework based on large language models, designed to overcome the limitations of traditional multi-stage approaches that rely on text or vector similarity retrieval over geographic databases, including workflow complexity, error propagation, and heavy dependence on structured geographic knowledge bases. The method converts geographic coordinates into geohash sequences, reformulating the coordinate prediction task as a text generation problem, and introduces a Chain-of-Thought mechanism to enhance the model's reasoning over spatial relationships. Furthermore, reinforcement learning with a distance-deviation-based reward is applied to optimize the generation accuracy. Comprehensive experiments show that ReaGeo can accurately handle explicit address queries in single-point predictions and effectively resolve vague relative location queries. In addition, the model demonstrates strong predictive capability for non-point geometric regions, highlighting its versatility and generalization ability in geocoding tasks.