論文の概要: Knowledge Graph Tokenization for Behavior-Aware Generative Next POI Recommendation

• arxiv url: http://arxiv.org/abs/2509.12350v1
• Date: Mon, 15 Sep 2025 18:25:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 17:50:52.715076
• Title: Knowledge Graph Tokenization for Behavior-Aware Generative Next POI Recommendation
• Title（参考訳）: 行動認識型次世代POIレコメンデーションのための知識グラフトークン化
• Authors: Ke Sun, Mayi Xu,
• Abstract要約: 特にLLM(Large Language Models)を利用した生成パラダイムは、次のPOI(point-of-interest)レコメンデーションの新たなソリューションとして登場した。 本稿では,KGTB(Knowledge Graph Tokenization for Behavior-Aware Generative next POI recommendation)を提案する。 4つの実世界の都市データセットの実験は、KGTBの優れた性能を示している。
• 参考スコア（独自算出の注目度）: 4.938599116353946
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative paradigm, especially powered by Large Language Models (LLMs), has emerged as a new solution to the next point-of-interest (POI) recommendation. Pioneering studies usually adopt a two-stage pipeline, starting with a tokenizer converting POIs into discrete identifiers that can be processed by LLMs, followed by POI behavior prediction tasks to instruction-tune LLM for next POI recommendation. Despite of remarkable progress, they still face two limitations: (1) existing tokenizers struggle to encode heterogeneous signals in the recommendation data, suffering from information loss issue, and (2) previous instruction-tuning tasks only focus on users' POI visit behavior while ignore other behavior types, resulting in insufficient understanding of mobility. To address these limitations, we propose KGTB (Knowledge Graph Tokenization for Behavior-aware generative next POI recommendation). Specifically, KGTB organizes the recommendation data in a knowledge graph (KG) format, of which the structure can seamlessly preserve the heterogeneous information. Then, a KG-based tokenizer is developed to quantize each node into an individual structural ID. This process is supervised by the KG's structure, thus reducing the loss of heterogeneous information. Using generated IDs, KGTB proposes multi-behavior learning that introduces multiple behavior-specific prediction tasks for LLM fine-tuning, e.g., POI, category, and region visit behaviors. Learning on these behavior tasks provides LLMs with comprehensive insights on the target POI visit behavior. Experiments on four real-world city datasets demonstrate the superior performance of KGTB.
• Abstract（参考訳）: 特にLLM(Large Language Models)を利用した生成パラダイムは、次のPOI(point-of-interest)レコメンデーションの新たなソリューションとして登場した。 パイオネリングの研究は通常、2段階のパイプラインを採用しており、トークン化器はPOIをLLMで処理できる個別の識別子に変換し、次にPOIの振る舞い予測タスクを次のPOIレコメンデーションのために命令チューンLSMに変換する。 既存のトークン作成者は,(1)情報損失問題に苦しむレコメンデーションデータに不均一な信号をエンコードするのに苦労し,(2)従来の指導指導タスクは,他の行動タイプを無視しながらユーザのPOI訪問行動にのみ焦点を合わせており,モビリティの理解が不十分である。 これらの制約に対処するため、KGTB (Knowledge Graph Tokenization for Behavior-Aware Generative Next POI recommendation)を提案する。 具体的には、KGTBは知識グラフ(KG)形式でレコメンデーションデータを整理し、その構造は異種情報をシームレスに保存することができる。 そして、KGベースのトークン化器を開発し、各ノードを個々の構造IDに定量化する。 この過程はKGの構造によって制御されるため、異種情報の損失が減少する。 KGTBは、生成されたIDを用いて、LLMファインチューニング、eg、POI、カテゴリ、地域訪問行動のための複数の行動特化予測タスクを導入するマルチ行動学習を提案する。 これらの行動タスクの学習は、ターゲットのPOI訪問行動に関する総合的な洞察を提供する。 4つの実世界の都市データセットの実験は、KGTBの優れた性能を示している。

関連論文リスト

• Hierarchical Graph Information Bottleneck for Multi-Behavior Recommendation [31.495904374599533]
  本稿では,マルチビヘイビアレコメンデーションのためのモデルに依存しない階層型グラフ情報ボトルネック(HGIB)フレームワークを提案する。 本フレームワークは,目標行動予測に不可欠な情報を保持するコンパクトかつ十分な表現の学習を最適化する。 実世界の3つの公開データセットに関する総合的な実験を行い、フレームワークの有効性を実証した。
  論文  参考訳（メタデータ） (2025-07-21T08:53:49Z)
• Divide-Then-Rule: A Cluster-Driven Hierarchical Interpolator for Attribute-Missing Graphs [51.13363550716544]
  ディープグラフクラスタリングは、不完全な属性を持つノードを異なるクラスタに分割することを目的とした教師なしのタスクである。 既存の属性欠落グラフの計算法は、ノード近傍で利用可能な情報の量が異なることを説明できないことが多い。 この問題に対処するために、DTRGC(Divide-Then-Rule Graph Completion)を提案する。
  論文  参考訳（メタデータ） (2025-07-12T03:33:19Z)
• HEC-GCN: Hypergraph Enhanced Cascading Graph Convolution Network for Multi-Behavior Recommendation [41.65320959602054]
  マルチビヘイビアレコメンデーション(HEC-GCN)のためのHypergraph Enhanced Cascading Graph Convolution Networkという新しいアプローチを提案する。 まず,行動特化相互作用グラフと対応するハイパーグラフをケースド方式で同時にモデル化することにより,ユーザや各行動項目間の細粒度と粗粒度の相関関係を探索する。
  論文  参考訳（メタデータ） (2024-12-19T02:57:02Z)
• Higher Order Graph Attention Probabilistic Walk Networks [3.481985817302898]
  メッセージパッシングニューラルネットワークは、グラフ構造に埋め込まれた潜時関係を利用する。 既存の方法は、1ドルのホップ地区内のローカル情報に依存している。 本稿では,特徴ベクトルの多様性に基づいた可変長経路に重みを割り当てる高次アテンション(HoGA)モジュールを提案する。 HoGAは、高次の関係を、いかなるシングルホップアテンション機構にも適用可能な、堅牢な自己意識の形式として表現している。
  論文  参考訳（メタデータ） (2024-11-18T20:46:02Z)
• Behavior Pattern Mining-based Multi-Behavior Recommendation [22.514959709811446]
  行動パターンマイニングに基づくマルチ行動レコメンデーション(BPMR)を紹介する。 BPMRは、ユーザとアイテム間の多様な相互作用パターンを広範囲に調査し、これらのパターンを推奨する機能として利用します。 実世界の3つのデータセットに対する実験的評価は、BPMRが既存の最先端アルゴリズムを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2024-08-22T06:41:59Z)
• 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)
• Hyper Meta-Path Contrastive Learning for Multi-Behavior Recommendation [61.114580368455236]
  マルチビヘイビア情報によるユーザ購入予測は、現在のレコメンデーションシステムでは難しい問題である。 本稿では,ハイパーメタパスやハイパーメタグラフを構築するためのハイパーメタパスの概念を提案する。 最近のグラフコントラスト学習の成功により、異なる振る舞い間の依存関係を理解するために固定されたスキームを割り当てるのではなく、ユーザ行動パターンの埋め込みを適応的に学習する。
  論文  参考訳（メタデータ） (2021-09-07T04:28:09Z)
• Self-supervised Graph Learning for Recommendation [69.98671289138694]
  ユーザ・イテムグラフを用いた自己教師型学習を推奨する。 補助的自己監督タスクは、自己識別によるノード表現学習を強化する。 3つのベンチマークデータセットに関する実証的研究は、SGLの有効性を示す。
  論文  参考訳（メタデータ） (2020-10-21T06:35:26Z)
• Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning [82.46332224556257]
  本稿では,知識グラフ補完タスクにおけるユーザインタラクションデータを活用することで,新たな逆学習手法を提案する。 我々のジェネレータはユーザインタラクションデータから分離されており、識別器の性能を向上させるのに役立ちます。 利用者の暗黙の実体的嗜好を発見するために,グラフニューラルネットワークに基づく精巧な協調学習アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-03-28T05:47:33Z)

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。