ReaGeo: LLM 기반 추론 강화 엔드투엔드 지오코딩

ReaGeo: Reasoning-Enhanced End-to-End Geocoding with LLMs

본 논문에서는 대규모 언어 모델(LLM)을 기반으로 하는 엔드투엔드 지오코딩 프레임워크인 ReaGeo를 제안합니다. ReaGeo는 기존의 다단계 접근 방식이 가진 문제점, 즉 복잡한 워크플로우, 오류 전파, 그리고 구조화된 지리 정보 데이터베이스에 대한 의존성을 극복하고자 합니다. 본 방법은 지리 좌표를 지오해시 시퀀스로 변환하여, 좌표 예측 문제를 텍스트 생성 문제로 재구성하고, 모델의 공간 관계 추론 능력을 향상시키기 위해 Chain-of-Thought 메커니즘을 도입합니다. 또한, 거리 편차 기반의 보상을 활용한 강화 학습을 적용하여 생성 정확도를 최적화합니다. 광범위한 실험 결과, ReaGeo는 단일 지점 예측에서 명시적인 주소 쿼리를 정확하게 처리할 수 있으며, 모호한 상대적 위치 쿼리도 효과적으로 해결할 수 있음을 보여줍니다. 또한, 본 모델은 점이 아닌 기하학적 영역에 대한 강력한 예측 능력을 보여주며, 이는 지오코딩 작업에서 뛰어난 다양성과 일반화 능력을 강조합니다.

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.