論文の概要: Generative Next POI Recommendation with Semantic ID

• arxiv url: http://arxiv.org/abs/2506.01375v1
• Date: Mon, 02 Jun 2025 07:04:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 04:22:50.726612
• Title: Generative Next POI Recommendation with Semantic ID
• Title（参考訳）: セマンティックIDを用いた次世代POIレコメンデーション
• Authors: Dongsheng Wang, Yuxi Huang, Shen Gao, Yifan Wang, Chengrui Huang, Shuo Shang,
• Abstract要約: Point-of-interest(POI)レコメンデーションシステムは、ユーザの好みや履歴チェックインに基づいて、ユーザの次の目的地を予測することを目的としている。 既存のPOIレコメンデーションメソッドは通常、POIに対してランダムな数値IDを使用する。 セマンティックIDを用いたジェネレーティブNext POIレコメンデーション(GNPR-SID)を提案する。
• 参考スコア（独自算出の注目度）: 29.817288445051947
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point-of-interest (POI) recommendation systems aim to predict the next destinations of user based on their preferences and historical check-ins. Existing generative POI recommendation methods usually employ random numeric IDs for POIs, limiting the ability to model semantic relationships between similar locations. In this paper, we propose Generative Next POI Recommendation with Semantic ID (GNPR-SID), an LLM-based POI recommendation model with a novel semantic POI ID (SID) representation method that enhances the semantic understanding of POI modeling. There are two key components in our GNPR-SID: (1) a Semantic ID Construction module that generates semantically rich POI IDs based on semantic and collaborative features, and (2) a Generative POI Recommendation module that fine-tunes LLMs to predict the next POI using these semantic IDs. By incorporating user interaction patterns and POI semantic features into the semantic ID generation, our method improves the recommendation accuracy and generalization of the model. To construct semantically related SIDs, we propose a POI quantization method based on residual quantized variational autoencoder, which maps POIs into a discrete semantic space. We also propose a diversity loss to ensure that SIDs are uniformly distributed across the semantic space. Extensive experiments on three benchmark datasets demonstrate that GNPR-SID substantially outperforms state-of-the-art methods, achieving up to 16% improvement in recommendation accuracy.
• Abstract（参考訳）: Point-of-interest(POI)レコメンデーションシステムは、ユーザの好みや履歴チェックインに基づいて、ユーザの次の目的地を予測することを目的としている。 既存のPOIレコメンデーションメソッドは通常、POIに対してランダムな数値IDを使用し、類似した位置間のセマンティックな関係をモデル化する能力を制限する。 本稿では,セマンティックIDを用いたジェネレーティブNext POIレコメンデーション(GNPR-SID)を提案する。 1)意味的および協調的な特徴に基づいて意味的にリッチなPOIIDを生成するセマンティックID構築モジュール、(2)LCMを微調整してこれらのセマンティックIDを使用して次のPOIを予測する生成POIレコメンデーションモジュール。 ユーザインタラクションパターンとPOIセマンティックな特徴をセマンティックID生成に組み込むことで、モデルの推奨精度と一般化を改善する。 意味論的に関連付けられたSIDを構築するために,残留量子化変分オートエンコーダに基づくPOI量子化手法を提案し,POIを個別の意味空間にマッピングする。 また,SIDがセマンティック空間全体に均一に分散されることを保証するため,多様性損失も提案する。 3つのベンチマークデータセットに対する大規模な実験により、GNPR-SIDは最先端の手法を大幅に上回り、推奨精度が最大16%向上することが示された。

関連論文リスト

• Unleashing the Power of Large Language Models for Group POI Recommendations [39.49785677738477]
  Group Point-of-Interest(POI)推奨は、あるグループのユーザの多様な嗜好を満たす次のPOIを予測することを目的としている。 グループPOIレコメンデーションの既存の方法は、チェックインデータからの単一のIDベースの機能に依存している。 文脈認識グループPOIレコメンデーションのためのLarge Language Model(LLM)のパワーを解放するフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-20T16:02:14Z)
• Unleash LLMs Potential for Recommendation by Coordinating Twin-Tower Dynamic Semantic Token Generator [60.07198935747619]
  動的セマンティック・インデックス・パラダイムを採用した最初の生成型RSであるTTDS(Twin-Tower Dynamic Semantic Recommender)を提案する。 より具体的には、ツイン・トワー・セマンティック・トークン・ジェネレータをLLMベースのレコメンデータに統合する動的知識融合フレームワークを初めて提案する。 提案したTTDSレコメンデータは,平均19.41%のヒットレート,20.84%のNDCG測定値を実現している。
  論文  参考訳（メタデータ） (2024-09-14T01:45:04Z)
• Semantic Codebook Learning for Dynamic Recommendation Models [55.98259490159084]
  動的シーケンシャルレコメンデーション(DSR)は、ユーザの振る舞いに基づいてモデルパラメータを生成し、シーケンシャルレコメンデーションのパーソナライズを改善する。 巨大なパラメータ探索空間と疎結合でノイズの多いユーザ-イテム相互作用の課題に直面するため、生成されたモデルパラメータの適用性が低下する。 Semantic Codebook Learning for Dynamic Recommendation Models (SOLID)フレームワークは、これらの課題に効果的に取り組むことで、DSRの大幅な進歩を示す。
  論文  参考訳（メタデータ） (2024-07-31T19:25:25Z)
• Learnable Item Tokenization for Generative Recommendation [78.30417863309061]
  LETTER (Larnable Tokenizer for generaTivE Recommendation) を提案する。 LETTERは、セマンティック正規化のためのResidual Quantized VAE、協調正規化のためのコントラストアライメント損失、コードの割り当てバイアスを軽減するための多様性損失を組み込んでいる。
  論文  参考訳（メタデータ） (2024-05-12T15:49:38Z)
• Recommender Systems with Generative Retrieval [58.454606442670034]
  本稿では,対象候補の識別子を自己回帰的に復号する新たな生成検索手法を提案する。 そのために、各項目のセマンティックIDとして機能するために、意味論的に意味のあるコードワードを作成します。 提案手法を用いて学習した推薦システムは,様々なデータセット上での現在のSOTAモデルよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-08T21:48:17Z)

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。