Cet article propose un nouveau paradigme qui redéfinit la recommandation de chemin (PR) comme un problème de génération de langage naturel afin de surmonter le manque de flexibilité et les difficultés de généralisation des méthodes de PR existantes. Nous proposons PathGPT, un système qui convertit les données de chemin existantes en langage naturel, les stocke, puis les intègre, avec les exigences utilisateur, dans un modèle de langage à grande échelle (LLM) pré-entraîné via un système de recherche d'informations pour générer des chemins. Nous démontrons que ce système permet une génération de chemin adaptative sans réentraînement dans divers scénarios. Les résultats expérimentaux utilisant un jeu de données de chemin à grande échelle démontrent ses performances par rapport aux méthodes d'apprentissage existantes.
