論文の概要: Reasoning Over Space: Enabling Geographic Reasoning for LLM-Based Generative Next POI Recommendation

• arxiv url: http://arxiv.org/abs/2601.04562v1
• Date: Thu, 08 Jan 2026 03:46:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 17:01:53.022886
• Title: Reasoning Over Space: Enabling Geographic Reasoning for LLM-Based Generative Next POI Recommendation
• Title（参考訳）: 空間上の推論: LLMに基づく次世代POIレコメンデーションのための地理推論
• Authors: Dongyi Lv, Qiuyu Ding, Heng-Da Xu, Zhaoxu Sun, Zhi Wang, Feng Xiong, Mu Xu,
• Abstract要約: Reasoning Over Space (ROS) は、地理を推論プロセスにおける重要な決定変数として利用するフレームワークである。 ROSは、粗い局所性とPOIセマンティクスを合成トークンに識別する階層的空間意味ID(SID)を導入している。 空間誘導強化学習(Reinforcement Learning, RL)により, 実世界の地理とモデルをさらに整合させる。
• 参考スコア（独自算出の注目度）: 8.829656404389178
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative recommendation with large language models (LLMs) reframes prediction as sequence generation, yet existing LLM-based recommenders remain limited in leveraging geographic signals that are crucial in mobility and local-services scenarios. Here, we present Reasoning Over Space (ROS), a framework that utilizes geography as a vital decision variable within the reasoning process. ROS introduces a Hierarchical Spatial Semantic ID (SID) that discretizes coarse-to-fine locality and POI semantics into compositional tokens, and endows LLM with a three-stage Mobility Chain-of-Thought (CoT) paradigm that models user personality, constructs an intent-aligned candidate space, and performs locality informed pruning. We further align the model with real world geography via spatial-guided Reinforcement Learning (RL). Experiments on three widely used location-based social network (LBSN) datasets show that ROS achieves over 10% relative gains in hit rate over strongest LLM-based baselines and improves cross-city transfer, despite using a smaller backbone model.
• Abstract（参考訳）: 大規模言語モデル(LLM)による生成的レコメンデーションは、シーケンス生成として予測を再構成するが、既存のLLMベースのレコメンデーションは、モビリティやローカルサービスのシナリオにおいて重要な地理的信号の活用に制限されている。 本稿では,地理を推論プロセスにおける重要な決定変数として利用するフレームワークであるReasoning Over Space (ROS)を紹介する。 ROSは、粗い局所性とPOIセマンティクスを合成トークンに識別する階層的空間意味型ID(SID)を導入し、LLMに3段階のモビリティ・チェーン・オブ・ソート(CoT)パラダイムを付与し、ユーザパーソナリティをモデル化し、意図に整合した候補空間を構築し、ローカリティインフォメーション・プルーニングを行う。 さらに,空間誘導型強化学習(RL)を用いて,実世界の地理とモデルを整合させる。 3つの広く使われている位置ベースソーシャルネットワーク(LBSN)データセットによる実験により、ROSは最強のLCMベースラインよりも10%以上の相対的な増加を達成し、バックボーンモデルが小さいにもかかわらず、都市間転送を改善することが示された。

関連論文リスト

• Wireless Traffic Prediction with Large Language Model [54.07581399989292]
  TIDESは、無線トラフィック予測のための空間時間相関をキャプチャする新しいフレームワークである。 TIDESは過剰なトレーニングオーバーヘッドを発生させることなく、ドメイン固有のパターンへの効率的な適応を実現する。 この結果から,将来の6Gシステムにおいて,空間認識をLCMベースの予測器に統合することが,スケーラブルでインテリジェントなネットワーク管理の鍵であることが示唆された。
  論文  参考訳（メタデータ） (2025-12-19T04:47:40Z)
• SpatialGeo:Boosting Spatial Reasoning in Multimodal LLMs via Geometry-Semantics Fusion [23.86761713752287]
  MLLM(Multimodal large language model)は、画像および言語タスクにおいて大きな進歩を遂げている。 ほとんどのMLLMは、空間的配置を3次元空間で解釈し推論する限られた空間的推論能力に悩まされている。 幾何学と意味論の階層的融合に基づく新しい視覚エンコーダを提案し,空間認識型視覚埋め込みを生成する。
  論文  参考訳（メタデータ） (2025-11-21T15:24:33Z)
• LLM-Aligned Geographic Item Tokenization for Local-Life Recommendation [21.430438767288106]
  LGSID は LLM-Hierarchical Geographic Item Tokenization Framework for Local-life Recommendation である。 本稿では,学習前報酬モデルを用いて空間知識の一般化と協調的な信号をLLMに注入する新しいG-DPOアルゴリズムを提案する。 実世界のKuaishou産業データセットの実験によると、LGSIDは最先端の差別的で生成的なレコメンデーションモデルよりも一貫して優れている。
  論文  参考訳（メタデータ） (2025-11-18T07:54:32Z)
• Spatial Preference Rewarding for MLLMs Spatial Understanding [92.25703021388142]
  マルチモーダル大言語モデル (MLLM) は, 有望な空間理解能力を示した。 彼らの成功にもかかわらず、MLLMは依然として微粒な空間知覚能力に不足している。 本稿では,MLLMの空間能力を高めるSPR(Spatial Preference Rewarding)アプローチを提案する。
  論文  参考訳（メタデータ） (2025-10-16T07:16:18Z)
• RALLM-POI: Retrieval-Augmented LLM for Zero-shot Next POI Recommendation with Geographical Reranking [7.085868567930685]
  次の関心のポイント(POI)推奨は、ユーザの次の目的地を歴史的な動きから予測する。 従来のモデルは集中的なトレーニングを必要とし、LSMは柔軟性と一般化可能なゼロショットソリューションを提供する。 ALLM-POIは,LLMと検索強化生成と自己修正を結合したフレームワークである。
  論文  参考訳（メタデータ） (2025-09-21T12:52:28Z)
• Can LLMs Learn to Map the World from Local Descriptions? [50.490593949836146]
  本研究では,Large Language Models (LLMs) がコヒーレントなグローバル空間認識を構築できるかどうかを検討する。 都市環境を模擬した実験により, LLMは実空間分布に一致した潜在表現を示すことを示した。
  論文  参考訳（メタデータ） (2025-05-27T08:22:58Z)
• Geography-Aware Large Language Models for Next POI Recommendation [21.03555605703108]
  Next Point-of-Interest(POI)レコメンデーションタスクは,過去の移動データに基づいてユーザの次の目的地を予測することを目的としている。 GA-LLM(Geography-Aware Large Language Model)は,2つの特殊なコンポーネントを持つ大規模言語モデルを強化する新しいフレームワークである。 3つの実世界のデータセットの実験は、GA-LLMの最先端性能を実証している。
  論文  参考訳（メタデータ） (2025-05-18T03:20:20Z)
• SpaRC and SpaRP: Spatial Reasoning Characterization and Path Generation for Understanding Spatial Reasoning Capability of Large Language Models [70.01883340129204]
  空間推論は 生物学的と人工知能の両方において 重要な要素です 本稿では,現在最先端の大規模言語モデル (LLM) の空間的推論能力について包括的に検討する。
  論文  参考訳（メタデータ） (2024-06-07T01:06:34Z)
• 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)
• LCPFormer: Towards Effective 3D Point Cloud Analysis via Local Context Propagation in Transformers [60.51925353387151]
  本稿では,近隣地域間のメッセージパッシングを活用するために,LCP (Local Context Propagation) という新しいモジュールを提案する。 隣接するローカル領域の重複点を仲介として使用した後、異なるローカルリージョンからの共有ポイントの特徴を再重み付けし、その後、次のレイヤに渡す。 提案手法は, 異なるタスクに適用可能であり, 3次元形状分類や高密度予測タスクを含むベンチマークにおいて, 様々なトランスフォーマーベースの手法より優れる。
  論文  参考訳（メタデータ） (2022-10-23T15:43:01Z)

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。