先说结论这篇论文最让我觉得值钱的地方不是模型本身多强而是把大语言模型当成了一种“测量仪器”。过去我们测量一个城市公园好不好靠问卷、靠人工踏勘、靠点评网站的情感分总觉得差那么点意思——要么规模太小要么颗粒度太粗。而这篇论文的标题其实已经讲清楚了先用大语言模型做“多维度感知解码”把评论里那些“灯有点暗”“草坪很干净”“周末人挤人”之类的非结构化文本翻译成结构化的体验指标然后叠加空间人口数据去看“到底是谁没享受到好公园”最后再做规划干预推演让公平性从口号变成可计算的量。整个过程非常适合做城市计算、景观规划、GIS分析的人参考尤其是那些接了“公园体检”“15分钟生活圈”之类项目的团队可以直接把方法搬过去用。1. 先搞清楚这篇论文要解决什么问题1.1 公园品质评估的旧方法为什么不够用传统公园评估主流有三类但各有各的毛病。第一类是问卷调查。设计一堆李克特量表找人去公园门口拦访。优点是能拿到相对规范的数据缺点同样明显样本量通常只有几百份且受访者大概率是高频使用者那些“不去公园的人”你根本问不到而这批人恰恰是公平性研究最关心的对象。第二类是专家踏勘。让规划师或风景园林师带着打分表去现场看对设施、绿化、卫生逐项打分。专业性是够但成本高一个城市几百个公园根本不可能全覆盖而且不同专家的尺度感差异很大很难横向比较。第三类是点评文本的情感分析。用情感词典或者传统分类模型把网络评论分成正面、负面再汇总出一个总得分。这个方案能解决规模问题但只能告诉管理者“某个公园口碑不错”无法回答“口碑不错到底是因为风景好还是因为厕所干净”。抱怨一篇评论里可能同时提到“景色很好但厕所太脏”传统情感分析会把这条评论揉成一个混合信号信息损耗太严重。所以论文的第一层动机很直接能不能找到一种方法既有网络评论的规模又能输出像专家踏勘那样具备维度约束的细粒度指标。1.2 论文的核心思路把公园体验“解码”成指标论文给出的答案是“感知解码”。你可以把公园里每一条在线评论都看作一次传感器读数这个传感器记录的不是温度气压而是人的主观体验。问题是评论的语言太随意“太绝了”“遛娃圣地”“晚上不敢去”——这些表达没法直接参与空间统计。大语言模型在这里扮演的角色就是一个解码器把自由文本映射到一组事先定义好的、语义互斥的感知维度上。论文里定义的维度大致是这些自然景观、设施完善度、环境卫生、安全感、拥挤程度、交通便利性。每个维度都是0到5的整数评分另外模型还会输出一句理由。这一步做完之后原来几十万条散乱的文本就变成了一张“公园-维度-评分”的关系表。有了这张表后面无论是做城市尺度对比还是做空间公平性分析都是一个标准的数据分析问题了。我读到这里最大的感受是这个问题定义得非常聪明。它没有去挑战更难的“情感理解”而是把任务收敛成了“提取既定维度”。大语言模型最擅长的恰恰就是这类事情指令明确、输出格式固定、少量推理即可完成。这也决定了整篇论文的复现门槛并不高。2. 方法框架拆解大语言模型当“感知解码器”的完整链路2.1 “评论语料 → 维度张量”四步流程整条链路可以拆成四层按数据流向来看非常清晰。第一层是数据采集。论文用的是城市公园的在线评论数据包括点评类平台和社交平台的文本每条评论至少包含正文、发布位置或关联公园ID、发布时间三个字段。这里有个隐藏要求必须能定位到具体公园否则后面无法聚合。第二层是解码层。每条评论单独送入大语言模型配合一套精心设计的提示词让模型输出结构化的JSON。这个阶段的质量直接决定整个研究的可信度后面我会专门讲工程细节。第三层是聚合层。把同一公园下所有评论的评分汇总成公园级得分。聚合不是简单算平均数因为评论量和评论时间都会影响结果论文在这个环节做了一套加权处理。第四层是分析层。把公园得分落到空间网格上叠加人口分布数据计算不同人群的“感知暴露度”再通过基尼系数之类的指标量化公平性。流程本身不复杂但每一层都有设计上的讲究。尤其是第二层和第三层普通做法和论文做法的差距基本就是“跑通demo”和“能上项目”的差距。2.2 提示词工程怎么设计才能让LLM稳定打标签这是全篇最核心的工程环节。论文在设计提示词时不是为了“让模型懂”而是为了“让模型闭嘴”也就是让模型严格输出可解析、可复核的结构化结果。我按照论文思路整理了一个可以直接抄的提示词模板你是一名城市公园体验分析师。请从以下用户评论中提取感知维度。 输出要求 - 只输出JSON不要输出多余解释 - 每个字段取值0-5的整数 - 如果评论中没有提到某个维度相关信息将该字段置为null禁止猜测 - reason字段用一句话概括判断依据。 维度定义 - naturalness: 自然景观评价数值越高代表绿化越多、景色越美 - facility: 设施完善度针对健身器材、儿童设施、座椅、厕所等 - cleanliness: 环境卫生针对垃圾、地面清洁、厕所卫生 - safety: 安全感针对照明、治安、是否感觉危险 - crowding: 拥挤程度数值越大代表越拥挤 - transport: 交通便利性针对公交地铁可达、停车、入园便利 评论{text}这个模板有三个关键细节值得单独拿出来说。第一维度定义必须给模型“负面案例”参照比如安全性必须明确提到“照明”和“治安”否则模型很容易把所有负面情绪都归到安全感上。第二允许输出null比强制输出0合理得多。评论里根本没有提到厕所那facility字段就不应该被强行赋一个分数否则聚合阶段会被明显拉低。第三reason字段不是废话它给了你人工抽检的空间——模型要是打了一个离群分你可以直接看理由来判断是真实判断还是幻觉。我在复现时试过给每条评论跑一次“self-consistency”采样也就是温度设为0.4同一个采样跑三次取中位数作为最终评分。效果确实更稳但成本相应翻了3倍。论文的做法是只对可靠性存疑的样本做多次采样而不是全量跑工程取舍很明智。2.3 从单条评论到公园评分聚合策略里的门道单条评论的解码结果质量再高也只是第一步关键在于怎么聚合成公园级得分。直接求平均是最常见的错误做法。原因有两个。第一评论量多的公园和评论量少的公园平均分标准差完全不同直接对比会误导。第二一条三年前的评论和一条昨天的评论对公园现状的指示意义显然不一样。论文采用的方案是加权平均权重拆成两部分。第一部分是时间衰减权重越近期的评论权重越高论文用的衰减函数是 ( w_t \exp(-\lambda \cdot \Delta t) )其中 (\lambda) 是半衰期参数可以根据数据更新频率来调公园数据一般取90天一个周期比较合理。第二部分是评论信息量权重文本长度过短、只有“不错”两个字的评论权重会被压低。聚合之后每个公园会得到一张六维得分向量比如某个公园是[自然景观4.2设施3.8卫生3.1安全3.5拥挤2.9交通4.0]。这张向量就是公园的“感知画像”。我习惯把它直接做成雷达图给甲方看比单一总分直观得多。3. 公平性评估与提升不是画热点图那么简单3.1 先定义“谁在享受公园”可达性加权的感知暴露度有了公园级得分下一个问题是这些得分属于谁不能简单说“这个区有高分公园所以这个区的人幸福”。因为公园体验不仅取决于公园本身还取决于你能不能方便地到达那里。论文用了一个可解释的指标——感知暴露度[ E_i \sum_{j \in J} G_j \cdot f(d_{ij}) ]其中 (E_i) 是空间网格 (i) 的感知暴露度(G_j) 是公园 (j) 的综合感知评分(d_{ij}) 是网格中心到公园入口的路径距离(f(d)) 是距离衰减函数。论文采用的是常用的指数衰减形式 ( f(d) \exp(-d / \beta) )(\beta) 在城市尺度一般取1000米到1500米对应“步行15分钟”的心理距离。这个公式的政治不正确之处在于两个公园得分一样但周边人口结构不同公平性结论可能完全相反。所以暴露度一定要继续叠加入口数据才能回答“谁享受到了”。3.2 公平性量化指标怎么选定性聊“不公平”谁都会但论文的力量在于把不公平变成了可以追踪的数字。论文主要用了两类指标。第一类是全局指标——基尼系数。把每个人口网格的感知暴露度当成“收入”计算分布洛伦兹曲线得出基尼系数。基尼系数0.4以上属于差距较大0.3以下相对均衡。案例里某市改造前的暴露度基尼系数大约是0.47属于很不均衡的水平主要问题出在外围新城区公园虽然多但品质跟不上导致高分公园集中在老城核心区。第二类是分组指标——差异指数Dissimilarity Index。把人口按收入水平或年龄分为两组计算两组人在“感知暴露度低于某个阈值”的网格里的分布差异。差异指数0.5意味着有一半的低收入群体需要移动到另一组所在区域才能让两组享受到相同水平的公园服务。这个指标比基尼系数更直观也更容易用来做方案汇报。我要提醒一句公平性指标不能只看一个全局基尼系数下降可能掩盖局部恶化。论文的做法是先算全局再做分组对比最后落到具体的“低分高需求”区域三轮筛下来决策重点自然就浮出水面了。3.3 “提升”不是口号规划干预的推演实验论文标题里的“公平性提升”不是空话它做了三类规划干预的推演实验。第一类是设施增补。识别出那些设施维度得分低于3.0且周边人口密度高的公园模拟增加儿童设施或健身器材后的得分变化。这个得分变化不是拍脑袋猜而是从同城市其他设施完善公园的评论统计中回归出来的经验值。第二类是环境整治。卫生和安全两个维度与维护频率强相关论文的做法是把负面评论中高频出现的关键词作为改造清单比如“垃圾”“灯坏”“草丛深”再将清单映射到保洁计划和照明改造计划上。第三类是可达性优化。对暴露度低的区域除了改造公园也可以增加出入口或改善步行路径本质上是缩短距离衰减函数里的 (d_{ij})。论文的模拟结果显示单靠设施增补基尼系数只能从0.47降到0.41如果再叠加环境整治和出入口优化可以降到0.33左右。这种“先量化、再模拟、再比较”的思路特别适合城市更新类项目的前期研究。你不需要真的花钱改造就能大致判断哪类干预对公平性提升最有效。4. 复现实测数据准备、Prompt调优和常见坑4.1 数据准备最容易翻车的三个环节我按论文方法在自己手里的小数据集上完整跑了一遍第一步就卡在数据上。第一坑是重复评论。点评平台经常有大量相似评论有些是模板刷出来的也有些是同一个用户多次提交。重复文本会让聚合结果失真必须先做去重。我建议用MinHash或者simhash做近似去重阈值设在0.85左右不要只用完全匹配否则半重复文本会漏过去。第二坑是坐标定位。很多平台的评论正文并不带公园ID只有名称和地址。地址解析到经纬度误差很大尤其是“某公园东门”和“某公园”可能差出几百米。最稳妥的方法是先建立公园POI库根据评论中的公园名称做关联匹配而不是直接地理编码。第三坑是样本量过滤。论文案例里有些社区公园评论量只有个位数评分方差极大直接进入建模会变成噪声。我当时把评论数少于10条的公园先剔除或者用区域均值填充聚合后的分布明显更平滑。4.2 Prompt与输出解析的工程化细节调用大模型接口看起来简单真正卡你的往往是几十万条评论的工程处理。首先是并发和限流。量大时要做好重试机制我的做法是采用指数退避重试最多5次返回异常就记录下来不中断主流程。其次是JSON解析。模型偶尔会在JSON前后加markdown代码块标记或者输出一两个多余逗号直接json.loads会失败。稳妥的办法是先用正则把代码块包裹拆掉再用允许近似解析的JSON解析库兜底。经验法则十万条评论如果没有健壮的解析层至少会损失1%到2%的有效数据。还有一点就是控制幻觉。我在复现时发现即便提示词里写了“未提及置为null”模型依然有一定概率把所有维度都打上分尤其是安全维度模型倾向于给出一个接近中性的默认值。论文的对策是抽检校准人工标注一部分数据算Kappa系数我当时抽了200条做双人标注加权Kappa做到了0.82总体上可信。如果发现某个维度一致性特别差就该回头修改维度定义里的示例。4.3 校验与可视化机器评分到底可信不可信数据跑完不能直接出图一定要人工校验。我最常用的方法是把每条评论的reason字段拉出来和原始文本对照着看。抽出评分和文本语义明显不符的样本判断是模型理解错了还是维度定义模糊了。有一次我发现模型把所有“人很多”都放到了safety维度而没有放到crowding维度。问题出在crowding定义里没有给示例。加了一句“人很多很挤”作为crowding的正面示例后错误率立刻降下来。可视化方面我强烈建议先做点级散点图再做空间插值不要一上来就画行政区的面状图。面上的平均值会掩盖很多具体问题。我当时画的是500米网格热力图叠加公园点和低分评论的密度分布很容易就看出问题集中区域。4.4 常见问题速查表问题可能原因我的解决办法JSON解析大面积失败模型输出带额外文本或格式错误清洗代码块标记使用近似JSON解析库加设重试某个维度得分全部集中在3分维度定义不清晰模型默认取中间值增加正负面示例允许输出null高密度人口区域暴露度反而低周边缺少高分公园缩小网格尺度优化距离衰减参数安全维度与拥挤维度混淆评论“人多”同时被归为危险和拥挤维度定义中补充明确区分示例公园评论数太少得分不可靠数据稀疏设阈值过滤或使用区域均值平滑5. 跑完整个流程后的几点个人反思5.1 大模型幻觉在感知解码里的真实表现不用把幻觉想得太玄实际跑下来最常见的幻觉是“补全倾向”。模型看到评论里说“公园很新”会自动补一条“设施应该不错”于是facility字段被打了高分哪怕原评论根本没提设施。这提醒我一个事提示词里的“禁止猜测”只能约束模型的行为没法约束模型的潜意识必须靠抽检去拦截。建议每次全量抽取前先跑200条测试集统计每个维度的覆盖率覆盖率异常高的那个维度多半是模型在脑补。5.2 公平性结论要小心“可达性陷阱”公平性分析看起来客观其实暗含很多主观设定。比如我选的 (\beta) 值是1200米如果你改成800米结论可能完全反转。再比如基于在线评论数据本身就有偏差活跃用户以年轻人和游客为主老年人和儿童的需求被系统性低估。所以我在汇报公平性结论时一定会加一个“敏感性分析”把距离衰减参数从800米换成1500米看基尼系数排名是否稳定。如果某个区域的排名对参数非常敏感说明那里处于服务边界上恰恰是需要重点关注的区域。5.3 一个我目前很看好的扩展方向这篇论文把文本作为唯一感知来源全流程跑下来后我最大的想法是如果能叠加街景图片做多模态解码公园感知维度还能更实。街景里可以看出设施数量和植被覆盖度文本里能读出人实际使用时的情绪感受两边互补性非常强。我目前的计划是把“文本评论解码”和“街景图像评分”放进同一个框架对同一个公园输出两条感知画像再用一致性校验来相互验证。如果文本说“很乱”而街景显示设施完好那多说无益管理者就该去现场看看了——这种交叉验证才是大语言模型在城市研究中真正发光的地方。 
长河君 · 2026/10/17 3:05:10 · 阅读 1.2k 把大语言模型当“测量仪器”：公园体验感知解码与公平性量化
先说结论这篇论文最让我觉得值钱的地方不是模型本身多强而是把大语言模型当成了一种“测量仪器”。过去我们测量一个城市公园好不好靠问卷、靠人工踏勘、靠点评网站的情感分总觉得差那么点意思——要么规模太小要么颗粒度太粗。而这篇论文的标题其实已经讲清楚了先用大语言模型做“多维度感知解码”把评论里那些“灯有点暗”“草坪很干净”“周末人挤人”之类的非结构化文本翻译成结构化的体验指标然后叠加空间人口数据去看“到底是谁没享受到好公园”最后再做规划干预推演让公平性从口号变成可计算的量。整个过程非常适合做城市计算、景观规划、GIS分析的人参考尤其是那些接了“公园体检”“15分钟生活圈”之类项目的团队可以直接把方法搬过去用。1. 先搞清楚这篇论文要解决什么问题1.1 公园品质评估的旧方法为什么不够用传统公园评估主流有三类但各有各的毛病。第一类是问卷调查。设计一堆李克特量表找人去公园门口拦访。优点是能拿到相对规范的数据缺点同样明显样本量通常只有几百份且受访者大概率是高频使用者那些“不去公园的人”你根本问不到而这批人恰恰是公平性研究最关心的对象。第二类是专家踏勘。让规划师或风景园林师带着打分表去现场看对设施、绿化、卫生逐项打分。专业性是够但成本高一个城市几百个公园根本不可能全覆盖而且不同专家的尺度感差异很大很难横向比较。第三类是点评文本的情感分析。用情感词典或者传统分类模型把网络评论分成正面、负面再汇总出一个总得分。这个方案能解决规模问题但只能告诉管理者“某个公园口碑不错”无法回答“口碑不错到底是因为风景好还是因为厕所干净”。抱怨一篇评论里可能同时提到“景色很好但厕所太脏”传统情感分析会把这条评论揉成一个混合信号信息损耗太严重。所以论文的第一层动机很直接能不能找到一种方法既有网络评论的规模又能输出像专家踏勘那样具备维度约束的细粒度指标。1.2 论文的核心思路把公园体验“解码”成指标论文给出的答案是“感知解码”。你可以把公园里每一条在线评论都看作一次传感器读数这个传感器记录的不是温度气压而是人的主观体验。问题是评论的语言太随意“太绝了”“遛娃圣地”“晚上不敢去”——这些表达没法直接参与空间统计。大语言模型在这里扮演的角色就是一个解码器把自由文本映射到一组事先定义好的、语义互斥的感知维度上。论文里定义的维度大致是这些自然景观、设施完善度、环境卫生、安全感、拥挤程度、交通便利性。每个维度都是0到5的整数评分另外模型还会输出一句理由。这一步做完之后原来几十万条散乱的文本就变成了一张“公园-维度-评分”的关系表。有了这张表后面无论是做城市尺度对比还是做空间公平性分析都是一个标准的数据分析问题了。我读到这里最大的感受是这个问题定义得非常聪明。它没有去挑战更难的“情感理解”而是把任务收敛成了“提取既定维度”。大语言模型最擅长的恰恰就是这类事情指令明确、输出格式固定、少量推理即可完成。这也决定了整篇论文的复现门槛并不高。2. 方法框架拆解大语言模型当“感知解码器”的完整链路2.1 “评论语料 → 维度张量”四步流程整条链路可以拆成四层按数据流向来看非常清晰。第一层是数据采集。论文用的是城市公园的在线评论数据包括点评类平台和社交平台的文本每条评论至少包含正文、发布位置或关联公园ID、发布时间三个字段。这里有个隐藏要求必须能定位到具体公园否则后面无法聚合。第二层是解码层。每条评论单独送入大语言模型配合一套精心设计的提示词让模型输出结构化的JSON。这个阶段的质量直接决定整个研究的可信度后面我会专门讲工程细节。第三层是聚合层。把同一公园下所有评论的评分汇总成公园级得分。聚合不是简单算平均数因为评论量和评论时间都会影响结果论文在这个环节做了一套加权处理。第四层是分析层。把公园得分落到空间网格上叠加人口分布数据计算不同人群的“感知暴露度”再通过基尼系数之类的指标量化公平性。流程本身不复杂但每一层都有设计上的讲究。尤其是第二层和第三层普通做法和论文做法的差距基本就是“跑通demo”和“能上项目”的差距。2.2 提示词工程怎么设计才能让LLM稳定打标签这是全篇最核心的工程环节。论文在设计提示词时不是为了“让模型懂”而是为了“让模型闭嘴”也就是让模型严格输出可解析、可复核的结构化结果。我按照论文思路整理了一个可以直接抄的提示词模板你是一名城市公园体验分析师。请从以下用户评论中提取感知维度。 输出要求 - 只输出JSON不要输出多余解释 - 每个字段取值0-5的整数 - 如果评论中没有提到某个维度相关信息将该字段置为null禁止猜测 - reason字段用一句话概括判断依据。 维度定义 - naturalness: 自然景观评价数值越高代表绿化越多、景色越美 - facility: 设施完善度针对健身器材、儿童设施、座椅、厕所等 - cleanliness: 环境卫生针对垃圾、地面清洁、厕所卫生 - safety: 安全感针对照明、治安、是否感觉危险 - crowding: 拥挤程度数值越大代表越拥挤 - transport: 交通便利性针对公交地铁可达、停车、入园便利 评论{text}这个模板有三个关键细节值得单独拿出来说。第一维度定义必须给模型“负面案例”参照比如安全性必须明确提到“照明”和“治安”否则模型很容易把所有负面情绪都归到安全感上。第二允许输出null比强制输出0合理得多。评论里根本没有提到厕所那facility字段就不应该被强行赋一个分数否则聚合阶段会被明显拉低。第三reason字段不是废话它给了你人工抽检的空间——模型要是打了一个离群分你可以直接看理由来判断是真实判断还是幻觉。我在复现时试过给每条评论跑一次“self-consistency”采样也就是温度设为0.4同一个采样跑三次取中位数作为最终评分。效果确实更稳但成本相应翻了3倍。论文的做法是只对可靠性存疑的样本做多次采样而不是全量跑工程取舍很明智。2.3 从单条评论到公园评分聚合策略里的门道单条评论的解码结果质量再高也只是第一步关键在于怎么聚合成公园级得分。直接求平均是最常见的错误做法。原因有两个。第一评论量多的公园和评论量少的公园平均分标准差完全不同直接对比会误导。第二一条三年前的评论和一条昨天的评论对公园现状的指示意义显然不一样。论文采用的方案是加权平均权重拆成两部分。第一部分是时间衰减权重越近期的评论权重越高论文用的衰减函数是 ( w_t \exp(-\lambda \cdot \Delta t) )其中 (\lambda) 是半衰期参数可以根据数据更新频率来调公园数据一般取90天一个周期比较合理。第二部分是评论信息量权重文本长度过短、只有“不错”两个字的评论权重会被压低。聚合之后每个公园会得到一张六维得分向量比如某个公园是[自然景观4.2设施3.8卫生3.1安全3.5拥挤2.9交通4.0]。这张向量就是公园的“感知画像”。我习惯把它直接做成雷达图给甲方看比单一总分直观得多。3. 公平性评估与提升不是画热点图那么简单3.1 先定义“谁在享受公园”可达性加权的感知暴露度有了公园级得分下一个问题是这些得分属于谁不能简单说“这个区有高分公园所以这个区的人幸福”。因为公园体验不仅取决于公园本身还取决于你能不能方便地到达那里。论文用了一个可解释的指标——感知暴露度[ E_i \sum_{j \in J} G_j \cdot f(d_{ij}) ]其中 (E_i) 是空间网格 (i) 的感知暴露度(G_j) 是公园 (j) 的综合感知评分(d_{ij}) 是网格中心到公园入口的路径距离(f(d)) 是距离衰减函数。论文采用的是常用的指数衰减形式 ( f(d) \exp(-d / \beta) )(\beta) 在城市尺度一般取1000米到1500米对应“步行15分钟”的心理距离。这个公式的政治不正确之处在于两个公园得分一样但周边人口结构不同公平性结论可能完全相反。所以暴露度一定要继续叠加入口数据才能回答“谁享受到了”。3.2 公平性量化指标怎么选定性聊“不公平”谁都会但论文的力量在于把不公平变成了可以追踪的数字。论文主要用了两类指标。第一类是全局指标——基尼系数。把每个人口网格的感知暴露度当成“收入”计算分布洛伦兹曲线得出基尼系数。基尼系数0.4以上属于差距较大0.3以下相对均衡。案例里某市改造前的暴露度基尼系数大约是0.47属于很不均衡的水平主要问题出在外围新城区公园虽然多但品质跟不上导致高分公园集中在老城核心区。第二类是分组指标——差异指数Dissimilarity Index。把人口按收入水平或年龄分为两组计算两组人在“感知暴露度低于某个阈值”的网格里的分布差异。差异指数0.5意味着有一半的低收入群体需要移动到另一组所在区域才能让两组享受到相同水平的公园服务。这个指标比基尼系数更直观也更容易用来做方案汇报。我要提醒一句公平性指标不能只看一个全局基尼系数下降可能掩盖局部恶化。论文的做法是先算全局再做分组对比最后落到具体的“低分高需求”区域三轮筛下来决策重点自然就浮出水面了。3.3 “提升”不是口号规划干预的推演实验论文标题里的“公平性提升”不是空话它做了三类规划干预的推演实验。第一类是设施增补。识别出那些设施维度得分低于3.0且周边人口密度高的公园模拟增加儿童设施或健身器材后的得分变化。这个得分变化不是拍脑袋猜而是从同城市其他设施完善公园的评论统计中回归出来的经验值。第二类是环境整治。卫生和安全两个维度与维护频率强相关论文的做法是把负面评论中高频出现的关键词作为改造清单比如“垃圾”“灯坏”“草丛深”再将清单映射到保洁计划和照明改造计划上。第三类是可达性优化。对暴露度低的区域除了改造公园也可以增加出入口或改善步行路径本质上是缩短距离衰减函数里的 (d_{ij})。论文的模拟结果显示单靠设施增补基尼系数只能从0.47降到0.41如果再叠加环境整治和出入口优化可以降到0.33左右。这种“先量化、再模拟、再比较”的思路特别适合城市更新类项目的前期研究。你不需要真的花钱改造就能大致判断哪类干预对公平性提升最有效。4. 复现实测数据准备、Prompt调优和常见坑4.1 数据准备最容易翻车的三个环节我按论文方法在自己手里的小数据集上完整跑了一遍第一步就卡在数据上。第一坑是重复评论。点评平台经常有大量相似评论有些是模板刷出来的也有些是同一个用户多次提交。重复文本会让聚合结果失真必须先做去重。我建议用MinHash或者simhash做近似去重阈值设在0.85左右不要只用完全匹配否则半重复文本会漏过去。第二坑是坐标定位。很多平台的评论正文并不带公园ID只有名称和地址。地址解析到经纬度误差很大尤其是“某公园东门”和“某公园”可能差出几百米。最稳妥的方法是先建立公园POI库根据评论中的公园名称做关联匹配而不是直接地理编码。第三坑是样本量过滤。论文案例里有些社区公园评论量只有个位数评分方差极大直接进入建模会变成噪声。我当时把评论数少于10条的公园先剔除或者用区域均值填充聚合后的分布明显更平滑。4.2 Prompt与输出解析的工程化细节调用大模型接口看起来简单真正卡你的往往是几十万条评论的工程处理。首先是并发和限流。量大时要做好重试机制我的做法是采用指数退避重试最多5次返回异常就记录下来不中断主流程。其次是JSON解析。模型偶尔会在JSON前后加markdown代码块标记或者输出一两个多余逗号直接json.loads会失败。稳妥的办法是先用正则把代码块包裹拆掉再用允许近似解析的JSON解析库兜底。经验法则十万条评论如果没有健壮的解析层至少会损失1%到2%的有效数据。还有一点就是控制幻觉。我在复现时发现即便提示词里写了“未提及置为null”模型依然有一定概率把所有维度都打上分尤其是安全维度模型倾向于给出一个接近中性的默认值。论文的对策是抽检校准人工标注一部分数据算Kappa系数我当时抽了200条做双人标注加权Kappa做到了0.82总体上可信。如果发现某个维度一致性特别差就该回头修改维度定义里的示例。4.3 校验与可视化机器评分到底可信不可信数据跑完不能直接出图一定要人工校验。我最常用的方法是把每条评论的reason字段拉出来和原始文本对照着看。抽出评分和文本语义明显不符的样本判断是模型理解错了还是维度定义模糊了。有一次我发现模型把所有“人很多”都放到了safety维度而没有放到crowding维度。问题出在crowding定义里没有给示例。加了一句“人很多很挤”作为crowding的正面示例后错误率立刻降下来。可视化方面我强烈建议先做点级散点图再做空间插值不要一上来就画行政区的面状图。面上的平均值会掩盖很多具体问题。我当时画的是500米网格热力图叠加公园点和低分评论的密度分布很容易就看出问题集中区域。4.4 常见问题速查表问题可能原因我的解决办法JSON解析大面积失败模型输出带额外文本或格式错误清洗代码块标记使用近似JSON解析库加设重试某个维度得分全部集中在3分维度定义不清晰模型默认取中间值增加正负面示例允许输出null高密度人口区域暴露度反而低周边缺少高分公园缩小网格尺度优化距离衰减参数安全维度与拥挤维度混淆评论“人多”同时被归为危险和拥挤维度定义中补充明确区分示例公园评论数太少得分不可靠数据稀疏设阈值过滤或使用区域均值平滑5. 跑完整个流程后的几点个人反思5.1 大模型幻觉在感知解码里的真实表现不用把幻觉想得太玄实际跑下来最常见的幻觉是“补全倾向”。模型看到评论里说“公园很新”会自动补一条“设施应该不错”于是facility字段被打了高分哪怕原评论根本没提设施。这提醒我一个事提示词里的“禁止猜测”只能约束模型的行为没法约束模型的潜意识必须靠抽检去拦截。建议每次全量抽取前先跑200条测试集统计每个维度的覆盖率覆盖率异常高的那个维度多半是模型在脑补。5.2 公平性结论要小心“可达性陷阱”公平性分析看起来客观其实暗含很多主观设定。比如我选的 (\beta) 值是1200米如果你改成800米结论可能完全反转。再比如基于在线评论数据本身就有偏差活跃用户以年轻人和游客为主老年人和儿童的需求被系统性低估。所以我在汇报公平性结论时一定会加一个“敏感性分析”把距离衰减参数从800米换成1500米看基尼系数排名是否稳定。如果某个区域的排名对参数非常敏感说明那里处于服务边界上恰恰是需要重点关注的区域。5.3 一个我目前很看好的扩展方向这篇论文把文本作为唯一感知来源全流程跑下来后我最大的想法是如果能叠加街景图片做多模态解码公园感知维度还能更实。街景里可以看出设施数量和植被覆盖度文本里能读出人实际使用时的情绪感受两边互补性非常强。我目前的计划是把“文本评论解码”和“街景图像评分”放进同一个框架对同一个公园输出两条感知画像再用一致性校验来相互验证。如果文本说“很乱”而街景显示设施完好那多说无益管理者就该去现场看看了——这种交叉验证才是大语言模型在城市研究中真正发光的地方。