論文の概要: Multifaceted Scenario-Aware Hypergraph Learning for Next POI Recommendation

• arxiv url: http://arxiv.org/abs/2601.11610v1
• Date: Fri, 09 Jan 2026 06:29:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-25 16:54:51.787825
• Title: Multifaceted Scenario-Aware Hypergraph Learning for Next POI Recommendation
• Title（参考訳）: 次世代POIレコメンデーションのための多面的シナリオ認識ハイパーグラフ学習
• Authors: Yuxi Lin, Yongkang Li, Jie Xing, Zipei Fan,
• Abstract要約: Next Point-of-Interest (POI)レコメンデーションは、履歴チェックインの軌跡からユーザの好みを推測する上で重要な役割を果たす。 既存のシーケンシャルおよびグラフベースの手法は、異なる文脈シナリオにおける重要なモビリティの変動をしばしば無視する。 我々は,次のPOIレコメンデーションにシナリオ分割パラダイムを採用するフレームワークであるMultifaceted Scenario-Aware Hypergraph Learning法(MSAHG)を提案する。
• 参考スコア（独自算出の注目度）: 6.180520055741916
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Among the diverse services provided by Location-Based Social Networks (LBSNs), Next Point-of-Interest (POI) recommendation plays a crucial role in inferring user preferences from historical check-in trajectories. However, existing sequential and graph-based methods frequently neglect significant mobility variations across distinct contextual scenarios (e.g., tourists versus locals). This oversight results in suboptimal performance due to two fundamental limitations: the inability to capture scenario-specific features and the failure to resolve inherent inter-scenario conflicts. To overcome these limitations, we propose the Multifaceted Scenario-Aware Hypergraph Learning method (MSAHG), a framework that adopts a scenario-splitting paradigm for next POI recommendation. Our main contributions are: (1) Construction of scenario-specific, multi-view disentangled sub-hypergraphs to capture distinct mobility patterns; (2) A parameter-splitting mechanism to adaptively resolve conflicting optimization directions across scenarios while preserving generalization capability. Extensive experiments on three real-world datasets demonstrate that MSAHG consistently outperforms five state-of-the-art methods across diverse scenarios, confirming its effectiveness in multi-scenario POI recommendation.
• Abstract（参考訳）: 位置情報ベースのソーシャルネットワーク(LBSNs)が提供する多様なサービスの中で、Next Point-of-Interest(POI)推奨は、過去のチェックイン軌跡からユーザの好みを推測する上で重要な役割を担っている。 しかし、既存のシーケンシャルおよびグラフベースの手法は、異なる状況のシナリオ(例えば、観光客と地元住民)間で大きなモビリティの変動を無視することが多い。 この監視は、シナリオ固有の特徴をキャプチャできないことと、固有のシナリオ間の競合を解決することができないことの2つの基本的な制限により、最適以下のパフォーマンスをもたらす。 これらの制約を克服するために,次のPOI勧告にシナリオ分割パラダイムを採用するフレームワークであるMultifaceted Scenario-Aware Hypergraph Learning(MSAHG)を提案する。 本研究の主な貢献は,(1)異なるモビリティパターンを捉えるためのシナリオ固有の多視点不整合サブハイパーグラフの構築,(2)一般化能力を保ちながらシナリオ間の矛盾する最適化方向を適応的に解決するパラメータ分割機構の構築である。 3つの実世界のデータセットに対する大規模な実験により、MSAHGはさまざまなシナリオで5つの最先端メソッドを一貫して上回り、マルチシナリオPOIレコメンデーションの有効性を確認している。

関連論文リスト

• Model-Based Policy Adaptation for Closed-Loop End-to-End Autonomous Driving [54.46325690390831]
  本稿では,事前学習したE2E運転エージェントのロバスト性と安全性を高めるための汎用フレームワークとして,モデルベースポリシー適応(MPA)を提案する。 MPAは、ジオメトリ一貫性のあるシミュレーションエンジンを用いて、まず様々な対物軌道を生成する。 MPAは拡散ベースのポリシーアダプタを訓練し、基本方針の予測を洗練させ、Q値モデルを多段階に分けて長期的な結果を評価する。
  論文  参考訳（メタデータ） (2025-11-26T17:01:41Z)
• Multimodal Large Language Models with Adaptive Preference Optimization for Sequential Recommendation [60.33386541343322]
  本稿では,Hardness-Aware とNoNoRec (HaNoRec) を併用したマルチモーダル大規模言語モデルフレームワークを提案する。 具体的には、HaNoRecは、各トレーニングサンプルの予測硬度とポリシーモデルのリアルタイム応答性の両方に基づいて、最適化重量を動的に調整する。
  論文  参考訳（メタデータ） (2025-11-24T04:10:46Z)
• Towards Reliable and Holistic Visual In-Context Learning Prompt Selection [82.23704441763651]
  Visual In-Context Learning (VICL) は、視覚基礎モデルを新しいタスクに適用するための顕著なアプローチとして登場した。 部分2Global や VPR のような VICL の手法は、クエリ画像とより視覚的に類似したイメージが、より良いコンテキスト内例として機能するという類似性と優先度の仮定に基づいている。 本稿では、VICLにおけるテキスト内サンプルの信頼性と包括的選択のために、Partial2Globalの拡張版を提案する。
  論文  参考訳（メタデータ） (2025-09-30T09:23:12Z)
• Contextual Scenario Generation for Two-Stage Stochastic Programming [0.2812395851874055]
  2段階プログラム(2SP)は不確実性の下で決定を行うための重要なツールである。 現在のシナリオ生成アプローチでは、文脈情報を利用していないか、あるいは計算上の問題に対処していない。 本稿では,予測された代理シナリオと真の文脈分布との分布距離を最小化することにより,マッピングを学習する分布的アプローチを提案する。 第2に,高品質な意思決定をもたらすサロゲートシナリオの創出を目的としたタスクベースアプローチを提案する。
  論文  参考訳（メタデータ） (2025-02-07T21:42:50Z)
• Adaptive Utilization of Cross-scenario Information for Multi-scenario Recommendation [11.489766641148151]
  マルチシナリオ勧告(Multi-scenario Recommendation、MSR)は、さまざまなシナリオからの情報を活用することで、ランキングパフォーマンスを向上させる重要なトピックである。 MSRの最近の手法は主に、共通性とシナリオ間の差異をモデル化するために共有または特定のモジュールを構築する。 我々は,シナリオに支配された専門家の混在により,すべてのシナリオに対処するために,CSII(Cross-Scenario Information Interaction)という統合モデルを提案する。
  論文  参考訳（メタデータ） (2024-07-29T06:17:33Z)
• DSFNet: Learning Disentangled Scenario Factorization for Multi-Scenario Route Ranking [19.448901545665212]
  マルチシナリオルートランキング(MSRR)は多くの産業地図システムにおいて重要である。 本稿では,シナリオ依存パラメータを柔軟に構成するDSFNet(Disentangled Scenario Factorization Network)を提案する。 また,大規模なアノテート産業用多シナリオ運転経路データセットであるMSDRを提案する。
  論文  参考訳（メタデータ） (2024-03-30T04:39:18Z)
• UMSE: Unified Multi-scenario Summarization Evaluation [52.60867881867428]
  要約品質評価は、テキスト要約における非自明なタスクである。 統一多シナリオ要約評価モデル(UMSE)を提案する。 UMSEは3つの評価シナリオで使用できる能力に係わる最初の統合要約評価フレームワークである。
  論文  参考訳（メタデータ） (2023-05-26T12:54:44Z)
• Scenario-Adaptive and Self-Supervised Model for Multi-Scenario Personalized Recommendation [35.4495536683099]
  シナリオ適応型自己監督型(SASS)モデルを提案し,上記の3つの課題を解決する。 このモデルは、ユーザ側とアイテム側の両方で対称に生成され、異なるシナリオにおけるアイテムの表現を区別することができる。 このモデルは、オンラインA/Bテストにおける平均視聴時間に対して8.0%以上の改善も達成している。
  論文  参考訳（メタデータ） (2022-08-24T11:44:00Z)
• Scenario-aware and Mutual-based approach for Multi-scenario Recommendation in E-Commerce [12.794276204716642]
  不均質な電子商取引のシナリオでユーザーのための正確な推奨を行う方法は、まだ継続的な研究トピックです。 本稿では,複数のシナリオの違いと類似性を活用するScenario-aware Mutual Learning (SAML) という新しい推奨モデルを提案する。
  論文  参考訳（メタデータ） (2020-12-16T13:52:14Z)
• SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
  本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。 エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
  論文  参考訳（メタデータ） (2020-07-26T08:17:10Z)

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。