論文の概要: Geography-Aware Large Language Models for Next POI Recommendation

• arxiv url: http://arxiv.org/abs/2505.13526v1
• Date: Sun, 18 May 2025 03:20:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-21 14:49:52.367503
• Title: Geography-Aware Large Language Models for Next POI Recommendation
• Title（参考訳）: 地理を考慮した次世代POIレコメンデーションのための大規模言語モデル
• Authors: Zhao Liu, Wei Liu, Huajie Zhu, Jianxing Yu, Jian Yin, Wang-Chien Lee, Shun Wang,
• Abstract要約: Next Point-of-Interest(POI)レコメンデーションタスクは,過去の移動データに基づいてユーザの次の目的地を予測することを目的としている。 GA-LLM(Geography-Aware Large Language Model)は,2つの特殊なコンポーネントを持つ大規模言語モデルを強化する新しいフレームワークである。 3つの実世界のデータセットの実験は、GA-LLMの最先端性能を実証している。
• 参考スコア（独自算出の注目度）: 21.03555605703108
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The next Point-of-Interest (POI) recommendation task aims to predict users' next destinations based on their historical movement data and plays a key role in location-based services and personalized applications. Accurate next POI recommendation depends on effectively modeling geographic information and POI transition relations, which are crucial for capturing spatial dependencies and user movement patterns. While Large Language Models (LLMs) exhibit strong capabilities in semantic understanding and contextual reasoning, applying them to spatial tasks like next POI recommendation remains challenging. First, the infrequent nature of specific GPS coordinates makes it difficult for LLMs to model precise spatial contexts. Second, the lack of knowledge about POI transitions limits their ability to capture potential POI-POI relationships. To address these issues, we propose GA-LLM (Geography-Aware Large Language Model), a novel framework that enhances LLMs with two specialized components. The Geographic Coordinate Injection Module (GCIM) transforms GPS coordinates into spatial representations using hierarchical and Fourier-based positional encoding, enabling the model to understand geographic features from multiple perspectives. The POI Alignment Module (PAM) incorporates POI transition relations into the LLM's semantic space, allowing it to infer global POI relationships and generalize to unseen POIs. Experiments on three real-world datasets demonstrate the state-of-the-art performance of GA-LLM.
• Abstract（参考訳）: 次のPOI(Point-of-Interest)レコメンデーションタスクは、過去の移動データに基づいてユーザの次の目的地を予測することを目的としており、位置情報ベースのサービスやパーソナライズされたアプリケーションにおいて重要な役割を果たす。 正確な次のPOIレコメンデーションは、地理的情報とPOI遷移の関係を効果的にモデル化することに依存します。 大きな言語モデル(LLM)は意味理解と文脈推論において強力な能力を示すが、次のPOI勧告のような空間的タスクにそれらを適用することは依然として困難である。 第一に、特定のGPS座標の頻度の低い性質は、LLMが正確な空間コンテキストをモデル化することを困難にしている。 第2に、POI遷移に関する知識の欠如は、潜在的なPOI-POI関係を捉える能力を制限する。 これらの問題に対処するために,2つの特殊なコンポーネントでLLMを強化する新しいフレームワークであるGA-LLM(Geography-Aware Large Language Model)を提案する。 ジオグラフィックコーディネート・インジェクション・モジュール(GCIM)は、GPS座標を階層的およびフーリエ的位置符号化を用いて空間的表現に変換することで、複数の視点から地理的特徴を理解することができる。 POIアライメントモジュール(PAM)は、LLMのセマンティック空間へのPOI遷移関係を組み込んでおり、グローバルなPOI関係を推測し、未知のPOIに一般化することができる。 3つの実世界のデータセットの実験は、GA-LLMの最先端性能を実証している。

関連論文リスト

• OmniGeo: Towards a Multimodal Large Language Models for Geospatial Artificial Intelligence [51.0456395687016]
  マルチモーダル大言語モデル(LLM)が人工知能の新しいフロンティアをオープンした。 地理空間応用に適したMLLM(OmniGeo)を提案する。 自然言語理解の長所と空間的推論の長所を組み合わせることで,GeoAIシステムの指示追従能力と精度を高めることができる。
  論文  参考訳（メタデータ） (2025-03-20T16:45:48Z)
• Geolocation Representation from Large Language Models are Generic Enhancers for Spatio-Temporal Learning [10.438284728725842]
  普遍表現モデルは、自然言語処理やコンピュータビジョンで広く使われているよりも一般的ではない。 この相違は、主に既存の表現モデルの入力に関連する高コストから生じる。 本研究では,大規模言語モデルを用いて位置情報表現を導出する学習自由手法を開発した。
  論文  参考訳（メタデータ） (2024-08-22T04:05:02Z)
• Towards Effective Next POI Prediction: Spatial and Semantic Augmentation with Remote Sensing Data [10.968721742000653]
  本稿では,2段階予測フレームワークにおける効果的なディープラーニング手法を提案する。 本手法は,まずリモートセンシングデータを組み込んで,重要な環境状況の把握を行う。 本研究では,利用者の歴史的トラジェクトリに対するQR-Pグラフを構築し,歴史的旅行知識をカプセル化する。
  論文  参考訳（メタデータ） (2024-03-22T04:22:36Z)
• Geo-Encoder: A Chunk-Argument Bi-Encoder Framework for Chinese Geographic Re-Ranking [61.60169764507917]
  中国の地理的再ランクタスクは、検索された候補者の中で最も関連性の高い住所を見つけることを目的としている。 そこで我々は,中国語の地理的意味論をより効果的に統合する,革新的なフレームワークであるGeo-Encoderを提案する。
  論文  参考訳（メタデータ） (2023-09-04T13:44:50Z)
• MGeo: Multi-Modal Geographic Pre-Training Method [49.78466122982627]
  マルチモーダルジオグラフィック言語モデル(MGeo)を提案する。 MGeoはGCを新しいモダリティとして表現し、正確なクエリ-POIマッチングのためのマルチモーダル相関を完全に抽出することができる。 提案するマルチモーダル事前学習法は,汎用PTMのクエリ-POIマッチング能力を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2023-01-11T03:05:12Z)
• Self-supervised Graph-based Point-of-interest Recommendation [66.58064122520747]
  Next Point-of-Interest (POI)レコメンデーションは、ロケーションベースのeコマースにおいて重要なコンポーネントとなっている。 自己教師付きグラフ強化POIレコメンデーション(S2GRec)を次のPOIレコメンデーションのために提案する。 特に,グローバル・トランジション・グラフと局所軌道グラフの両方からの協調的な信号を組み込むために,グラフ強化セルフアテンテート・レイヤを考案した。
  論文  参考訳（メタデータ） (2022-10-22T17:29:34Z)
• Modelling of Bi-directional Spatio-Temporal Dependence and Users' Dynamic Preferences for Missing POI Check-in Identification [38.51964956686177]
  双方向の時間的依存とユーザの動的嗜好を統合するモデルであるBi-STDDPを開発した。 その結果, 最先端手法と比較して, モデルの大幅な改善が示された。
  論文  参考訳（メタデータ） (2021-12-31T03:54:37Z)

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。