論文の概要: Utilizing Language Models for Tour Itinerary Recommendation

• arxiv url: http://arxiv.org/abs/2311.12355v1
• Date: Tue, 21 Nov 2023 05:15:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-23 01:53:10.891155
• Title: Utilizing Language Models for Tour Itinerary Recommendation
• Title（参考訳）: 観光レコメンデーションのための言語モデルの利用
• Authors: Ngai Lam Ho and Kwan Hui Lim
• Abstract要約: ツアーイテナリーレコメンデーションでは、関連するPOI(Point-of-Interest)のシーケンスを計画する。 本稿では,旅程の推薦・計画作業における言語モデルの利用について検討する。
• 参考スコア（独自算出の注目度）: 2.5128274367283785
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tour itinerary recommendation involves planning a sequence of relevant Point-of-Interest (POIs), which combines challenges from the fields of both Operations Research (OR) and Recommendation Systems (RS). As an OR problem, there is the need to maximize a certain utility (e.g., popularity of POIs in the tour) while adhering to some constraints (e.g., maximum time for the tour). As a RS problem, it is heavily related to problem or filtering or ranking a subset of POIs that are relevant to a user and recommending it as part of an itinerary. In this paper, we explore the use of language models for the task of tour itinerary recommendation and planning. This task has the unique requirement of recommending personalized POIs relevant to users and planning these POIs as an itinerary that satisfies various constraints. We discuss some approaches in this area, such as using word embedding techniques like Word2Vec and GloVe for learning POI embeddings and transformer-based techniques like BERT for generating itineraries.
• Abstract（参考訳）: tour itinerary recommendationは関連するpois(point-of-interest)のシーケンスを計画し、オペレーションリサーチ(or)とレコメンデーションシステム(rs)の両方の分野からの課題を組み合わせる。 OR問題として、あるユーティリティ(例えばツアーにおけるPOIの人気)を最大化しつつ、いくつかの制約(例えばツアーの最大時間)に固執する必要がある。 RS問題として、問題やフィルタリング、ユーザに関連するPOIのサブセットのランク付けに深く関係しており、イテレーションの一部として推奨している。 本稿では,旅程の推薦と計画のタスクにおける言語モデルの利用について検討する。 このタスクには、ユーザに関連するパーソナライズされたPOIを推奨し、さまざまな制約を満たす反復としてこれらのPOIを計画するというユニークな要件があります。 この領域では,Word2VecやGloVeのような単語埋め込み技術を用いてPOI埋め込みを学習したり,BERTのようなトランスフォーマーベースの手法でイテレーションを生成するなど,いくつかのアプローチについて議論する。

関連論文リスト

• Learn to Tour: Operator Design For Solution Feasibility Mapping in Pickup-and-delivery Traveling Salesman Problem [12.34897099691387]
  本稿では,旅行セールスマン問題(TSP)の学習方法を提案する。 1対1のピックアップ・アンド・デリバリノードのシーケンスで一番短いツアーを見つける。 PDTSPでは、各ピックアップノードを対応する配信ノードの前に訪問しなければならないという優先的な制約を満たさなければならない。
  論文  参考訳（メタデータ） (2024-04-17T15:05:51Z)
• BTRec: BERT-Based Trajectory Recommendation for Personalized Tours [6.753123338256321]
  多くのツアーレコメンデーションツールは、人気のPoints of Interest(POI)やルーティング制約など、限られた要素しか考慮していない。 本稿では,提案する反復アルゴリズムであるBTREC (BERT-based Trajectory Recommendation)を提案する。 我々の推薦システムは、訪問したPOIを最大化する旅行イテナリーを作成するとともに、POIのカテゴリと時間可用性のユーザの好みを考慮した旅行イテナリーを作成することができる。
  論文  参考訳（メタデータ） (2023-10-30T18:00:26Z)
• Large Language Model Augmented Narrative Driven Recommendations [51.77271767160573]
  ナラティブ・ドリブン・レコメンデーション(NDR)は、ユーザが好みや文脈を冗長に記述してレコメンデーションを募る情報アクセス問題である。 NDRはモデルのための豊富なトレーニングデータがなく、現在のプラットフォームは一般的にこれらの要求をサポートしない。 大規模言語モデル(LLM)を用いてNDRモデルのトレーニングを行う。
  論文  参考訳（メタデータ） (2023-06-04T03:46:45Z)
• Large Language Models are Zero-Shot Rankers for Recommender Systems [76.02500186203929]
  本研究では,レコメンダシステムのランキングモデルとして機能する大規模言語モデル(LLM)の能力を検討することを目的とする。 LLMにはゼロショットランキング能力があるが、歴史的相互作用の順序を理解するのに苦労していることを示す。 これらの問題は、特別に設計されたプロンプトとブートストラップ戦略によって緩和可能であることを実証する。
  論文  参考訳（メタデータ） (2023-05-15T17:57:39Z)
• Zero-shot Item-based Recommendation via Multi-task Product Knowledge Graph Pre-Training [106.85813323510783]
  本稿ではゼロショットアイテムベース勧告(ZSIR)タスクのための新しいパラダイムを提案する。 製品知識グラフ(PKG)のモデルを事前トレーニングして、PLMからアイテム機能を洗練します。 我々は,PKGにおける多型関係,アイテムジェネリック情報と関係のセマンティックな相違,PKGから下流ZSIRタスクへのドメイン差といった,PKG事前学習の課題を3つ挙げる。
  論文  参考訳（メタデータ） (2023-05-12T17:38:24Z)
• Keypoint-Guided Optimal Transport [85.396726225935]
  最適マッチングを探索するリレーション保存(KPG-RL)によるキーポイント誘導モデルを提案する。 提案した KPG-RL モデルはシンクホーンのアルゴリズムで解くことができ、異なる空間で分布がサポートされている場合でも適用可能である。 二重KPG-RLからの学習された輸送計画に基づき、ターゲット領域にソースデータを転送する新しい多様体バリ中心射影を提案する。
  論文  参考訳（メタデータ） (2023-03-23T08:35:56Z)
• POIBERT: A Transformer-based Model for the Tour Recommendation Problem [0.3121997724420106]
  本稿では,POI 上での BERT 言語モデルを用いて,パーソナライズされたイテレーションを推薦するアルゴリズムである POIBERT を提案する。 提案手法では, 類似観光地からの過去のトラジェクトリに基づいて, POIカテゴリの時間とユーザの嗜好を最適化するPOIのシーケンスを生成することができる。
  論文  参考訳（メタデータ） (2022-12-16T12:32:15Z)
• DeepAltTrip: Top-k Alternative Itineraries for Trip Recommendation [4.727697892741763]
  本稿では,DeepAltTripというディープラーニングベースのフレームワークを提案する。 経路生成のステップでは,多様なユーザ定義制約をシームレスに処理できる新しいサンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-09-08T10:36:59Z)
• Attention-based neural re-ranking approach for next city in trip recommendations [77.34726150561087]
  本稿では,旅行予約システムにおける次の目的地都市推薦問題へのアプローチについて述べる。 本研究では,候補選択のためのアプローチと,候補再選のための注意ニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2021-03-23T11:56:40Z)
• User Preferential Tour Recommendation Based on POI-Embedding Methods [0.624399544884021]
  POI埋め込み手法を用いてパーソナライズツアーを推薦するアルゴリズムを提案する。 提案アルゴリズムは時間と位置の制約を最適化するpoisのシーケンスを生成する。 予備実験の結果,本アルゴリズムは適切で正確な文を推薦できることがわかった。
  論文  参考訳（メタデータ） (2021-03-03T15:18:23Z)
• Towards Topic-Guided Conversational Recommender System [80.3725246715938]
  textbfTG-ReDial(textbfTopic-textbfGuided textbfDialogによるtextbfRecommendation)という新しいCRSデータセットをコントリビュートする。 本稿では,話題誘導型会話レコメンデーションの課題を提示し,この課題に対する効果的なアプローチを提案する。
  論文  参考訳（メタデータ） (2020-10-08T17:04:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。