論文の概要: Next Point-of-interest (POI) Recommendation Model Based on Multi-modal Spatio-temporal Context Feature Embedding

• arxiv url: http://arxiv.org/abs/2509.22661v1
• Date: Fri, 29 Aug 2025 14:33:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 05:29:07.772144
• Title: Next Point-of-interest (POI) Recommendation Model Based on Multi-modal Spatio-temporal Context Feature Embedding
• Title（参考訳）: 多モード時空間特徴埋め込みに基づく次の関心点(POI)勧告モデル
• Authors: Lingyu Zhang, Guobin Wu, Yan Wang, Pengfei Xu, Jian Liang, Xuan Song, Yunhai Wang,
• Abstract要約: 本稿では,マルチモーダルなコンテキスト特徴埋め込みに基づくPOIレコメンデーションモデルを提案する。 その結果,複数種類の特徴を組み合わせたPOI予測モデルは,既存のSOTAモデルや手法よりも精度が高いことがわかった。
• 参考スコア（独自算出の注目度）: 29.460520413964243
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The next Point-of-interest (POI) recommendation is mainly based on sequential traffic information to predict the user's next boarding point location. This is a highly regarded and widely applied research task in the field of intelligent transportation, and there have been many research results to date. Traditional POI prediction models primarily rely on short-term traffic sequence information, often neglecting both long-term and short-term preference data, as well as crucial spatiotemporal context features in user behavior. To address this issue, this paper introduces user long-term preference information and key spatiotemporal context information, and proposes a POI recommendation model based on multimodal spatiotemporal context feature embedding. The model extracts long-term preference features and key spatiotemporal context features from traffic data through modules such as spatiotemporal feature processing, multimodal embedding, and self-attention aggregation. It then uses a weighted fusion method to dynamically adjust the weights of long-term and short-term features based on users' historical behavior patterns and the current context. Finally, the fused features are matched using attention, and the probability of each location candidate becoming the next location is calculated. This paper conducts experimental verification on multiple transportation datasets, and the results show that the POI prediction model combining multiple types of features has higher prediction accuracy than existing SOTA models and methods.
• Abstract（参考訳）: 次のPOI(Point-of-interest)レコメンデーションは主に、ユーザの次の搭乗ポイント位置を予測するシーケンシャルなトラフィック情報に基づいている。 これは知的輸送分野における高度に評価され、広く応用された研究課題であり、これまでに多くの研究成果が報告されている。 従来のPOI予測モデルは、主に短期的なトラフィックシーケンス情報に依存しており、多くの場合、長期と短期の両方の嗜好データや、ユーザの行動における重要な時空間的特徴を無視する。 この問題に対処するために,ユーザの長期的嗜好情報とキー時空間情報を導入し,マルチモーダル時空間特徴埋め込みに基づくPOIレコメンデーションモデルを提案する。 このモデルは、時空間的特徴処理、マルチモーダル埋め込み、自己アテンション集約などのモジュールを通して、交通データから長期的嗜好特徴と重要な時空間特徴を抽出する。 次に、ユーザの履歴行動パターンと現在の状況に基づいて、長期的および短期的な特徴の重みを動的に調整するために重み付き融合法を用いる。 最後に、融合した特徴を注意を用いてマッチングし、次の位置となる各位置候補の確率を算出する。 本稿では,複数種類の特徴を組み合わせたPOI予測モデルは,既存のSOTAモデルや手法よりも高い精度で予測できることを示す。

関連論文リスト

• Estimating Time Series Foundation Model Transferability via In-Context Learning [74.65355820906355]
  時系列基礎モデル(TSFM)は、大規模な事前訓練を通じて強力なゼロショット予測を提供する。 微調整は、公開データに制限のあるドメインのパフォーマンス向上に依然として不可欠である。 モデル選択をコンテキスト内学習問題として再キャストする転送可能性推定フレームワークであるTimeTicを紹介する。
  論文  参考訳（メタデータ） (2025-09-28T07:07:13Z)
• STRelay: A Universal Spatio-Temporal Relaying Framework for Location Prediction with Future Spatiotemporal Contexts [23.8690122800167]
  STRelayは全てのケースにおける予測性能を3.19%-1156%改善している。 我々はSTRelayを4つの実世界の軌跡データセット上で4つの最先端位置予測ベースモデルと統合して評価する。 結果、STRelayは全てのケースにおける予測性能を3.19%-1156%改善することを示した。
  論文  参考訳（メタデータ） (2025-08-14T02:44:33Z)
• Towards Predicting Any Human Trajectory In Context [10.332817296500533]
  歩行者軌道予測のためのインコンテキスト学習フレームワークであるTrajICLを紹介する。 TrajICLはシナリオ固有のデータを微調整することなく、迅速な適応を可能にする。 我々は、予測能力を高めるために、大規模な合成データセットでモデルをトレーニングする。
  論文  参考訳（メタデータ） (2025-06-01T07:18:47Z)
• FRTP: Federating Route Search Records to Enhance Long-term Traffic Prediction [1.5728609542259502]
  本稿では,様々な特徴や時間的粒度や長さを持つ生データから学習できるフェデレートアーキテクチャを提案する。 本実験は,経路探索記録のフェデレーションに焦点をあて,モデルフレームワーク内で生データを処理することから開始する。 提案モデルの精度は,多様な学習パターンとパラメータ設定を用いた評価によって実証される。
  論文  参考訳（メタデータ） (2024-12-23T08:14:20Z)
• Multi-granularity Interest Retrieval and Refinement Network for Long-Term User Behavior Modeling in CTR Prediction [68.90783662117936]
  クリックスルーレート(CTR)の予測は、オンラインパーソナライズプラットフォームにとって不可欠である。 近年の進歩は、リッチなユーザの振る舞いをモデル化することで、CTR予測の性能を大幅に改善できることを示している。 マルチグラニュラリティ興味検索ネットワーク(MIRRN)を提案する。
  論文  参考訳（メタデータ） (2024-11-22T15:29:05Z)
• SA-LSPL:Sequence-Aware Long- and Short- Term Preference Learning for next POI recommendation [19.40796508546581]
  Point of Interest(POI)推奨は、特定のタイミングでユーザに対してPOIを推奨することを目的としている。 提案する手法は,SA-LSPL(Sequence-Aware Long- and Short-Term Preference Learning)である。
  論文  参考訳（メタデータ） (2024-03-30T13:40:25Z)
• 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。