論文の概要: Spacetime-GR: A Spacetime-Aware Generative Model for Large Scale Online POI Recommendation
- arxiv url: http://arxiv.org/abs/2508.16126v1
- Date: Fri, 22 Aug 2025 06:37:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-25 16:42:36.271323
- Title: Spacetime-GR: A Spacetime-Aware Generative Model for Large Scale Online POI Recommendation
- Title（参考訳）: Spacetime-GR:大規模オンラインPOI勧告のための時空間対応生成モデル
- Authors: Haitao Lin, Zhen Yang, Jiawei Xue, Ziji Zhang, Luzhu Wang, Yikun Gu, Yao Xu, Xin Li,
- Abstract要約: 本研究では,大規模オンラインPOS(Point-of-Interest)レコメンデーションのための時空対応生成モデルであるSpacetime-GRを提案する。
フレキシブルエンコーディングによる生成モデルを組み込んだ強力なシーケンスモデリング機能を拡張する。
提案したモデルを,公開ベンチマークデータセットと大規模産業データセットの両方で評価する。
- 参考スコア（独自算出の注目度）: 31.53029907013095
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Building upon the strong sequence modeling capability, Generative Recommendation (GR) has gradually assumed a dominant position in the application of recommendation tasks (e.g., video and product recommendation). However, the application of Generative Recommendation in Point-of-Interest (POI) recommendation, where user preferences are significantly affected by spatiotemporal variations, remains a challenging open problem. In this paper, we propose Spacetime-GR, the first spacetime-aware generative model for large-scale online POI recommendation. It extends the strong sequence modeling ability of generative models by incorporating flexible spatiotemporal information encoding. Specifically, we first introduce a geographic-aware hierarchical POI indexing strategy to address the challenge of large vocabulary modeling. Subsequently, a novel spatiotemporal encoding module is introduced to seamlessly incorporate spatiotemporal context into user action sequences, thereby enhancing the model's sensitivity to spatiotemporal variations. Furthermore, we incorporate multimodal POI embeddings to enrich the semantic understanding of each POI. Finally, to facilitate practical deployment, we develop a set of post-training adaptation strategies after sufficient pre-training on action sequences. These strategies enable Spacetime-GR to generate outputs in multiple formats (i.e., embeddings, ranking scores and POI candidates) and support a wide range of downstream application scenarios (i.e., ranking and end-to-end recommendation). We evaluate the proposed model on both public benchmark datasets and large-scale industrial datasets, demonstrating its superior performance over existing methods in terms of POI recommendation accuracy and ranking quality. Furthermore, the model is the first generative model deployed in online POI recommendation services that scale to hundreds of millions of POIs and users.
- Abstract（参考訳）: 強力なシーケンスモデリング能力に基づいて、ジェネレーティブレコメンデーション(GR)は、レコメンデーションタスク(ビデオや製品レコメンデーションなど)の適用において、徐々に支配的な位置を占めてきた。
しかし、時空間変動によってユーザの嗜好が著しく影響を受けるPOIレコメンデーションにおけるジェネレーティブレコメンデーションの適用は、依然として困難な問題である。
本稿では,大規模なオンラインPOIレコメンデーションのための時空対応生成モデルであるSpacetime-GRを提案する。
フレキシブルな時空間情報符号化を組み込むことにより、生成モデルの強いシーケンスモデリング能力を拡張する。
具体的には、まず、大語彙モデリングの課題に対処するために、地理的に認識された階層的なPOIインデクシング戦略を導入する。
その後、新規な時空間符号化モジュールを導入し、時空間コンテキストをユーザアクションシーケンスにシームレスに組み込むことにより、時空間変動に対するモデルの感度を高める。
さらに、各POIのセマンティック理解を強化するために、マルチモーダルPOI埋め込みを組み込んだ。
最後に, 実践的な展開を容易にするため, 動作系列の事前訓練を完了した後に, 学習後適応戦略のセットを開発する。
これらの戦略により、Spacetime-GRは複数のフォーマット(埋め込み、ランキングスコア、POI候補)で出力を生成し、幅広いダウンストリームアプリケーションシナリオ(ランキングとエンドツーエンドのレコメンデーション)をサポートすることができる。
提案したモデルを,公開ベンチマークデータセットと大規模産業データセットの両方で評価し,POIレコメンデーション精度とランキング品質の観点から,既存の手法よりも優れた性能を示す。
さらに、このモデルは、オンラインPOIレコメンデーションサービスにデプロイされた最初の生成モデルであり、数億のPOIとユーザにスケールする。
関連論文リスト
- GeoGR: A Generative Retrieval Framework for Spatio-Temporal Aware POI Recommendation [15.009742536403763]
GeoGRはAMAPのようなナビゲーションベースのLBSに適した地理的生成レコメンデーションフレームワークである。
ユーザのコンテキスト状態の変化を認識し,意図を意識したPOIレコメンデーションを可能にする。
複数の実世界のデータセットに対する大規模な実験は、GeoGRが最先端のベースラインよりも優れていることを示している。
論文 参考訳（メタデータ） (2026-02-11T01:48:27Z) - RankGR: Rank-Enhanced Generative Retrieval with Listwise Direct Preference Optimization in Recommendation [36.297513746770456]
提案するRangGRは、リストワイズ直接選好最適化をレコメンデーションに組み込んだジェネレーティブ検索手法である。
IAPでは、新しいリストワイズ直接選好最適化戦略をGRに組み込んで、階層的ユーザの選好をより包括的に理解する。
トレーニングとデプロイメントにおいていくつかの実践的な改善を実現し、最終的には毎秒1万近いリクエストを処理可能なリアルタイムシステムを実現しています。
論文 参考訳（メタデータ） (2026-02-09T12:13:43Z) - Generative Actor Critic [74.04971271003869]
Generative Actor Critic (GAC) は、軌道上での関節分布の生成モデル学習として、テキスト政治評価を反映して、シーケンシャルな意思決定を分離する新しいフレームワークである。
Gym-MuJoCoとMaze2Dベンチマークの実験では、GACの強いオフライン性能と、最先端の手法と比較してオフラインからオフラインへの大幅な改善が示されている。
論文 参考訳（メタデータ） (2025-12-25T06:31:11Z) - Model-Based Policy Adaptation for Closed-Loop End-to-End Autonomous Driving [54.46325690390831]
本稿では,事前学習したE2E運転エージェントのロバスト性と安全性を高めるための汎用フレームワークとして,モデルベースポリシー適応(MPA)を提案する。
MPAは、ジオメトリ一貫性のあるシミュレーションエンジンを用いて、まず様々な対物軌道を生成する。
MPAは拡散ベースのポリシーアダプタを訓練し、基本方針の予測を洗練させ、Q値モデルを多段階に分けて長期的な結果を評価する。
論文 参考訳（メタデータ） (2025-11-26T17:01:41Z) - Multimodal Large Language Models with Adaptive Preference Optimization for Sequential Recommendation [60.33386541343322]
本稿では,Hardness-Aware とNoNoRec (HaNoRec) を併用したマルチモーダル大規模言語モデルフレームワークを提案する。
具体的には、HaNoRecは、各トレーニングサンプルの予測硬度とポリシーモデルのリアルタイム応答性の両方に基づいて、最適化重量を動的に調整する。
論文 参考訳（メタデータ） (2025-11-24T04:10:46Z) - GTR-Mamba: Geometry-to-Tangent Routing for Hyperbolic POI Recommendation [19.900436178093027]
GTR-Mambaはクロスマニフォールドコンディショニングとルーティングのための新しいフレームワークである。
これは、次のPOIレコメンデーションにおいて、最先端のベースラインモデルよりも一貫して優れています。
論文 参考訳（メタデータ） (2025-10-27T02:56:08Z) - STAR-Rec: Making Peace with Length Variance and Pattern Diversity in Sequential Recommendation [61.320991769685065]
STAR-Recは、好みを認識した注意と状態空間モデリングを組み合わせた新しいアーキテクチャである。
STAR-Recは、最先端のシーケンシャルレコメンデーション手法よりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2025-05-06T12:40:38Z) - A Survey of Direct Preference Optimization [103.59317151002693]
LLM(Large Language Models)は、前例のない生成能力を示す。
人的価値との整合性は、有用で無害なデプロイメントを保証する上で、依然として重要です。
直接優先度最適化(DPO)は、最近、合理化された代替案として注目されている。
論文 参考訳（メタデータ） (2025-03-12T08:45:15Z) - OneRec: Unifying Retrieve and Rank with Generative Recommender and Iterative Preference Alignment [9.99840965933561]
ケースドラーニングフレームワークを統一的な生成モデルで置き換えるOneRecを提案する。
1) ユーザの履歴行動シーケンスをエンコードし、ユーザが興味を持っているかもしれない動画を徐々にデコードするエンコーダ・デコーダ構造。
論文 参考訳（メタデータ） (2025-02-26T09:25:10Z) - A Contextual-Aware Position Encoding for Sequential Recommendation [19.338997746519897]
逐次レコメンデーション(SR)は、次のアクションを予測するためにユーザアクティビティをエンコードする。
本稿では,CAPEと略される逐次レコメンデーションのための新しいコンテキスト認識位置テキスト手法を提案する。
論文 参考訳（メタデータ） (2025-02-13T07:31:34Z) - Autoregressive Generation Strategies for Top-K Sequential Recommendations [0.8437187555622164]
本稿では,Top-Kシーケンシャルレコメンデーションタスクにおける生成トランスフォーマモデルの適用性について検討する。
提案手法は,広範に使用されているTop-K予測手法や単一シーケンスの自動回帰生成手法と比較して,より長い時間での性能向上を示す。
論文 参考訳（メタデータ） (2024-09-26T11:00:19Z) - Entropy-Regularized Token-Level Policy Optimization for Language Agent Reinforcement [67.1393112206885]
大規模言語モデル(LLM)は、対話的な意思決定タスクにおいてインテリジェントなエージェントとして期待されている。
本稿では,トークンレベルでのLLMの最適化に適したエントロピー拡張RL法である,エントロピー正規化トークンレベル最適化(ETPO)を導入する。
我々は,データサイエンスコード生成を多段階対話型タスクのシリーズとしてモデル化したシミュレーション環境におけるETPOの有効性を評価する。
論文 参考訳（メタデータ） (2024-02-09T07:45:26Z) - 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)
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。