論文の概要: Cognitive-Aligned Spatio-Temporal Large Language Models For Next Point-of-Interest Prediction

• arxiv url: http://arxiv.org/abs/2510.14702v1
• Date: Thu, 16 Oct 2025 14:05:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.88695
• Title: Cognitive-Aligned Spatio-Temporal Large Language Models For Next Point-of-Interest Prediction
• Title（参考訳）: 認知適応型時空間大言語モデルによる次の視点予測
• Authors: Penglong Zhai, Jie Li, Fanyi Di, Yue Liu, Yifang Yuan, Jie Huang, Peng Wu, Sicong Wang, Mingyang Yin, Tingting Hu, Yao Xu, Xin Li,
• Abstract要約: 大規模言語モデル(LLM)は、次のPOI予測を生成的に扱うレコメンデーションシステムにおいて大きな可能性を示している。 産業規模のPOI予測アプリケーションでは、季節、気象条件、休日、利用者のプロフィールなど、世界の知識と人間の認知のアライメントを取り入れることで、ユーザエクスペリエンスを向上させることができる。 自然言語をインタフェースとして利用するフレームワークであるCoASTを提案する。
• 参考スコア（独自算出の注目度）: 22.412601522965144
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The next point-of-interest (POI) recommendation task aims to predict the users' immediate next destinations based on their preferences and historical check-ins, holding significant value in location-based services. Recently, large language models (LLMs) have shown great potential in recommender systems, which treat the next POI prediction in a generative manner. However, these LLMs, pretrained primarily on vast corpora of unstructured text, lack the native understanding of structured geographical entities and sequential mobility patterns required for next POI prediction tasks. Moreover, in industrial-scale POI prediction applications, incorporating world knowledge and alignment of human cognition, such as seasons, weather conditions, holidays, and users' profiles (such as habits, occupation, and preferences), can enhance the user experience while improving recommendation performance. To address these issues, we propose CoAST (Cognitive-Aligned Spatial-Temporal LLMs), a framework employing natural language as an interface, allowing for the incorporation of world knowledge, spatio-temporal trajectory patterns, profiles, and situational information. Specifically, CoAST mainly comprises of 2 stages: (1) Recommendation Knowledge Acquisition through continued pretraining on the enriched spatial-temporal trajectory data of the desensitized users; (2) Cognitive Alignment to align cognitive judgments with human preferences using enriched training data through Supervised Fine-Tuning (SFT) and a subsequent Reinforcement Learning (RL) phase. Extensive offline experiments on various real-world datasets and online experiments deployed in "Guess Where You Go" of AMAP App homepage demonstrate the effectiveness of CoAST.
• Abstract（参考訳）: 次のPOI(point-of-interest)推奨タスクは、ユーザの好みや履歴チェックインに基づいて、ユーザのすぐ隣の目的地を予測し、位置情報ベースのサービスに大きな価値を持つことを目的としている。 近年、大規模言語モデル(LLM)は、次のPOI予測を生成的に扱うレコメンデーションシステムにおいて大きな可能性を示している。 しかし、これらのLLMは、主に非構造化テキストの膨大なコーパスに基づいて訓練されており、構造化された地理的実体のネイティブな理解や、次のPOI予測タスクに必要なシーケンシャルなモビリティパターンが欠如している。 さらに、産業規模のPOI予測アプリケーションでは、季節、天候、休日、ユーザのプロファイル(習慣、職業、嗜好など)といった世界知識と人間の認知のアライメントを取り入れることで、レコメンデーションパフォーマンスを向上しつつ、ユーザエクスペリエンスを向上させることができる。 これらの課題に対処するために,自然言語をインタフェースとして利用するフレームワークであるCoAST(Cognitive-Aligned Space-Temporal LLMs)を提案する。 特に、CoASTは主に、2つの段階から構成される: (1) 認知障害者の豊かな時空間軌跡データに基づく継続的な事前訓練による勧告知識獲得、(2) 認知的判断と人間の嗜好を協調させる認知的アライメント、(2) 教師付きファインチューニング(SFT)とその後の強化学習(RL)フェーズ。 AMAP Appホームページの"Guess Where You Go"にデプロイされた、さまざまな実世界のデータセットとオンライン実験に関する大規模なオフライン実験は、CoASTの有効性を実証している。

関連論文リスト

• LPO: Towards Accurate GUI Agent Interaction via Location Preference Optimization [58.65395773049273]
  位置優先最適化(Location Preference Optimization、LPO)は、位置データを利用してインタラクションの好みを最適化する新しいアプローチである。 LPOは情報エントロピーを使用して、情報に富んだゾーンに注目して相互作用位置を予測する。 私たちのコードは間もなくhttps://github.com/AIDC-AI/LPO.comで公開されます。
  論文  参考訳（メタデータ） (2025-06-11T03:43:30Z)
• Large Language Model Empowered Recommendation Meets All-domain Continual Pre-Training [60.38082979765664]
  CPRecは、レコメンデーションのための全ドメイン連続事前トレーニングフレームワークである。 LLMを連続的な事前学習パラダイムを通じて、普遍的なユーザ行動と整合させる。 2つの異なるプラットフォームから5つの実世界のデータセットを実験する。
  論文  参考訳（メタデータ） (2025-04-11T20:01:25Z)
• 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)
• LLM Post-Training: A Deep Dive into Reasoning Large Language Models [131.10969986056]
  大規模言語モデル (LLMs) は自然言語処理の状況を変え、多様な応用をもたらした。 ポストトレーニング手法により、LLMは知識を洗練させ、推論を改善し、事実の正確性を高め、ユーザの意図や倫理的配慮をより効果的に整合させることができる。
  論文  参考訳（メタデータ） (2025-02-28T18:59:54Z)
• Where to Move Next: Zero-shot Generalization of LLMs for Next POI Recommendation [28.610190512686767]
  Next Point-of-interest (POI)レコメンデーションは、ユーザが周囲の環境を探索するための貴重な提案を提供する。 既存の研究は、大規模ユーザのチェックインデータからレコメンデーションモデルを構築することに依存している。 近年,事前訓練された大規模言語モデル (LLM) は,様々なNLPタスクにおいて大きな進歩を遂げている。
  論文  参考訳（メタデータ） (2024-04-02T11:33:04Z)
• 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)
• Exploiting Bi-directional Global Transition Patterns and Personal Preferences for Missing POI Category Identification [37.025295828186955]
  欠落したPOIカテゴリを識別する新しいニューラルネットワーク手法を提案する。 具体的には、チェックインカテゴリ情報が、個人以外の遷移パターンや個人の好みとどのように一致しているかをモデル化するアテンションマッチングセルを設計する。 我々のモデルは、競争力のある次のPOIカテゴリの推薦や予測タスクに対処するために自然に拡張することができる。
  論文  参考訳（メタデータ） (2021-12-31T04:15:37Z)
• Joint Geographical and Temporal Modeling based on Matrix Factorization for Point-of-Interest Recommendation [6.346772579930929]
  POI(Point-of-Interest)レコメンデーションは,POIを推奨するユーザの好みやモビリティパターンを学習する重要なタスクとなっている。 従来の研究では、POI勧告を改善するためには、地理的影響や時間的影響などの文脈情報を取り入れることが必要であることが示されている。
  論文  参考訳（メタデータ） (2020-01-24T12:25:37Z)

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。