論文の概要: AskNearby: An LLM-Based Application for Neighborhood Information Retrieval and Personalized Cognitive-Map Recommendations
- arxiv url: http://arxiv.org/abs/2512.02502v1
- Date: Tue, 02 Dec 2025 07:47:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-03 21:04:45.777349
- Title: AskNearby: An LLM-Based Application for Neighborhood Information Retrieval and Personalized Cognitive-Map Recommendations
- Title（参考訳）: AskNearby: 近隣情報検索とパーソナライズされた認知マップレコメンデーションのためのLLMベースアプリケーション
- Authors: Luyao Niu, Zhicheng Deng, Boyang Li, Nuoxian Huang, Ruiqi Liu, Wenjia Zhang,
- Abstract要約: 15分の街」は、徒歩や自転車で日々の需要に応えられる地区を構想している。このビジョンを実現するには、物理的な近接だけでなく、近隣の場所、サービス、イベントに関する情報への効率よく信頼性の高いアクセスが必要である。
我々はこのギャップをLLIA(Local Life Information Accessibility)問題として概念化し、AIによるコミュニティアプリケーションであるAskNearbyを紹介した。
- 参考スコア（独自算出の注目度）: 17.591012444861786
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The "15-minute city" envisions neighborhoods where residents can meet daily needs via a short walk or bike ride. Realizing this vision requires not only physical proximity but also efficient and reliable access to information about nearby places, services, and events. Existing location-based systems, however, focus mainly on city-level tasks and neglect the spatial, temporal, and cognitive factors that shape localized decision-making. We conceptualize this gap as the Local Life Information Accessibility (LLIA) problem and introduce AskNearby, an AI-driven community application that unifies retrieval and recommendation within the 15-minute life circle. AskNearby integrates (i) a three-layer Retrieval-Augmented Generation (RAG) pipeline that synergizes graph-based, semantic-vector, and geographic retrieval with (ii) a cognitive-map model that encodes each user's neighborhood familiarity and preferences. Experiments on real-world community datasets demonstrate that AskNearby significantly outperforms LLM-based and map-based baselines in retrieval accuracy and recommendation quality, achieving robust performance in spatiotemporal grounding and cognitive-aware ranking. Real-world deployments further validate its effectiveness. By addressing the LLIA challenge, AskNearby empowers residents to more effectively discover local resources, plan daily activities, and engage in community life.
- Abstract（参考訳）: 15分の街」では、住民が短い散歩や自転車乗りを通じて日々の需要に応えられる地区を構想している。
このビジョンを実現するには、物理的な近接だけでなく、近隣の場所、サービス、イベントに関する情報への効率的かつ信頼性の高いアクセスが必要である。
しかし、既存の位置ベースシステムは、主に都市レベルのタスクに焦点を当て、局所的な意思決定を形成する空間的、時間的、認知的要因を無視している。
我々はこのギャップをLLIA(Local Life Information Accessibility)問題として概念化し、15分間のライフサークル内で検索とレコメンデーションを統合するAI駆動のコミュニティアプリケーションであるAskNearbyを紹介した。
AskNearbyが統合
(i)グラフベース、セマンティックベクター、地理検索を相乗化する3層レトリーバル拡張ジェネレーション(RAG)パイプライン
(i)各ユーザの近隣の親しみや嗜好を符号化する認知マップモデル。
実世界のコミュニティデータセットの実験では、AskNearbyはLLMベースのベースラインとマップベースのベースラインを精度とレコメンデーション品質で大幅に上回り、時空間グラウンドや認知意識のランキングにおいて堅牢なパフォーマンスを実現している。
実世界の展開は、その有効性をさらに検証する。
LLIAの課題に対処することで、AskNearbyは住民に地域資源をより効果的に発見し、日々の活動を計画し、地域生活に従事するよう促す。
関連論文リスト
- LocalSUG: Geography-Aware LLM for Query Suggestion in Local-Life Services [20.871909302686976]
ローカルライフサービスプラットフォームでは、クエリ提案モジュールがユーザエクスペリエンスを向上させる上で重要な役割を果たす。
従来のマルチステージのカスケードシステムは、歴史的トップクエリに大きく依存しており、ロングテール需要に対処する能力を制限する。
ローカルライフサービスプラットフォームに適したLLMベースのクエリ提案フレームワークであるLocalSUGを提案する。
論文 参考訳（メタデータ） (2026-03-05T08:42:27Z) - Spatially-Enhanced Retrieval-Augmented Generation for Walkability and Urban Discovery [4.010768140638523]
大規模言語モデル(LLM)は人工知能の基礎となるツールとなっている。
歩行可能な都会の旅程を推薦するための対話インタフェースを備えた空間RAGベースのフレームワークであるWalkRAGを紹介する。
予備的な結果は、都市発見を支援するために情報検索、空間推論、LLMの組み合わせの有効性を示している。
論文 参考訳（メタデータ） (2025-12-04T13:37:53Z) - VLM-Guided Visual Place Recognition for Planet-Scale Geo-Localization [24.433604332415204]
本稿では,視覚言語モデルと視覚的位置認識の強みを融合した,新しいハイブリッドなジオローカライゼーションフレームワークを提案する。
我々は,複数のジオローカライゼーションベンチマークに対するアプローチを評価し,従来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） (2025-07-23T12:23:03Z) - GEOBench-VLM: Benchmarking Vision-Language Models for Geospatial Tasks [84.86699025256705]
本稿では,地理空間的タスクの視覚言語モデル(VLM)を評価するためのベンチマークであるGEOBench-VLMを提案する。
私たちのベンチマークでは、手動で検証された命令が1万以上あり、さまざまな視覚条件、オブジェクトタイプ、スケールにまたがっています。
地理空間固有の課題における性能を評価するために,いくつかの最先端のVLMを評価した。
論文 参考訳（メタデータ） (2024-11-28T18:59:56Z) - Swarm Intelligence in Geo-Localization: A Multi-Agent Large Vision-Language Model Collaborative Framework [51.26566634946208]
smileGeoは、新しい視覚的ジオローカライゼーションフレームワークである。
エージェント間のコミュニケーションによって、SmithGeoはこれらのエージェントの固有の知識と、検索された情報を統合する。
その結果,本手法は現在の最先端手法よりも優れていた。
論文 参考訳（メタデータ） (2024-08-21T03:31:30Z) - Learning Where to Look: Self-supervised Viewpoint Selection for Active Localization using Geometrical Information [68.10033984296247]
本稿では, 位置決めの精度を高めるために, 視点選択の重要性を強調し, アクティブな位置決め領域について検討する。
私たちのコントリビューションは、リアルタイム操作用に設計されたシンプルなアーキテクチャ、自己教師付きデータトレーニング方法、および実世界のロボティクスアプリケーションに適した計画フレームワークにマップを一貫して統合する能力による、データ駆動型アプローチの使用に関するものです。
論文 参考訳（メタデータ） (2024-07-22T12:32:09Z) - LAMP: A Language Model on the Map [13.75316123602933]
大規模言語モデル(LLM)は、私たちの生活においてますます重要な役割を担い、幅広いタスクに補助を提供しています。
本研究では,都市固有のデータに基づいて事前学習したモデルを微調整し,正確なレコメンデーションを実現するための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2024-03-14T02:56:38Z) - Memory efficient location recommendation through proximity-aware
representation [8.505840656442217]
逐次レコメンデーション(PASR:Sequential Recommendation)のための近接認識型領域表現を提案する。
本稿では,重要サンプリングを用いた新たな損失関数を用いて,最適化時の情報的負のサンプルを強調することで,疎結合問題に対処する。
3つの実世界位置ベースソーシャルネットワーキング(LBSN)データセットを用いて評価を行い,PASRが最先端の逐次位置推薦手法を上回ることを示した。
論文 参考訳（メタデータ） (2023-10-10T09:53:07Z) - GeoLLM: Extracting Geospatial Knowledge from Large Language Models [49.20315582673223]
大規模言語モデルから地理空間的知識を効果的に抽出する新しい手法であるGeoLLMを提案する。
我々は、人口密度や経済生活の計測など、国際社会への関心の中心となる複数の課題にまたがるアプローチの有用性を実証する。
実験の結果, LLMは試料効率が高く, 地理空間情報に富み, 世界中のロバストであることがわかった。
論文 参考訳（メタデータ） (2023-10-10T00:03:23Z) - LocUNet: Fast Urban Positioning Using Radio Maps and Deep Learning [59.17191114000146]
LocUNet: 基地局(BSs)からの受信信号強度(RSS)のみに基づく深層学習手法
提案手法では,BSsからのRSSを,クラウド上に存在する可能性のある中央処理ユニット(CPU)にローカライズする。
推定されたBSのパスロスラジオマップを用いて、LocUNetは最先端の精度でユーザをローカライズし、無線マップの不正確性に対して高い堅牢性を享受する。
論文 参考訳（メタデータ） (2022-02-01T20:27:46Z) - Real-time Outdoor Localization Using Radio Maps: A Deep Learning
Approach [59.17191114000146]
LocUNet: ローカライゼーションタスクのための畳み込み、エンドツーエンドのトレーニングニューラルネットワーク(NN)。
我々は,LocUNetがユーザを最先端の精度でローカライズし,無線マップ推定における不正確性が高いことを示す。
論文 参考訳（メタデータ） (2021-06-23T17:27:04Z)
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。