論文の概要: CaST-POI: Candidate-Conditioned Spatiotemporal Modeling for Next POI Recommendation

• arxiv url: http://arxiv.org/abs/2604.20845v1
• Date: Tue, 10 Feb 2026 07:10:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:14.099001
• Title: CaST-POI: Candidate-Conditioned Spatiotemporal Modeling for Next POI Recommendation
• Title（参考訳）: CaST-POI:次のPOI勧告のための候補条件付き時空間モデリング
• Authors: Zhenyu Yu, Chunlei Meng, Yangchen Zeng, Mohd Yamani Idna Idris, Shuigeng Zhou,
• Abstract要約: Next Point-of-Interest (POI)レコメンデーションは、ユーザの将来のモビリティパターンを予測することによって、位置情報ベースのサービスにおいて重要な役割を果たす。 既存の手法は通常、歴史的軌跡から単一のユーザ表現を計算し、すべての候補POIを均一にスコアする。 本稿では,次のPOI推薦のための候補条件付きモデルであるCaST-POIを提案する。
• 参考スコア（独自算出の注目度）: 18.263381277536357
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Next Point-of-Interest (POI) recommendation plays a crucial role in location-based services by predicting users' future mobility patterns. Existing methods typically compute a single user representation from historical trajectories and use it to score all candidate POIs uniformly. However, this candidate-agnostic paradigm overlooks that the relevance of historical visits inherently depends on which candidate is being evaluated. In this paper, we propose CaST-POI, a candidate-conditioned spatiotemporal model for next POI recommendation. Our key insight is that the same user history should be interpreted differently when evaluating different candidate POIs. CaST-POI employs a candidate-conditioned sequence reader that uses candidates as queries to dynamically attend to user history. In addition, we introduce candidate-relative temporal and spatial biases to capture fine-grained mobility patterns based on the relationships between historical visits and each candidate POI. Extensive experiments on three benchmark datasets demonstrate that CaST-POI consistently outperforms state-of-the-art methods, yielding substantial improvements across multiple evaluation metrics, with particularly strong advantages under large candidate pools. Code is available at https://github.com/YuZhenyuLindy/CaST-POI.git.
• Abstract（参考訳）: Next Point-of-Interest (POI)レコメンデーションは、ユーザの将来のモビリティパターンを予測することによって、位置情報ベースのサービスにおいて重要な役割を果たす。 既存の手法は通常、歴史的軌跡から単一のユーザ表現を計算し、すべての候補POIを均一にスコアする。 しかし、この候補非依存のパラダイムは、歴史的訪問の関連性は本質的にどの候補が評価されているかによって異なることを見落としている。 本稿では,次のPOI推薦のための候補条件付き時空間モデルであるCaST-POIを提案する。 我々の重要な洞察は、異なる候補POIを評価する際に、同じユーザ履歴を異なる解釈で解釈すべきであるということです。 CaST-POIは候補条件付きシーケンスリーダーを使用し、候補をクエリとして使用してユーザ履歴に動的に出席する。 さらに,歴史的訪問と各候補者POIの関係に基づいて,詳細なモビリティパターンを捉えるために,候補相対時間的・空間的バイアスを導入する。 3つのベンチマークデータセットに対する大規模な実験により、CaST-POIは最先端の手法を一貫して上回り、複数の評価指標で大幅に改善され、特に大きな候補プール下では強力なアドバンテージが得られた。 コードはhttps://github.com/YuZhenyuLindy/CaST-POI.gitで入手できる。

関連論文リスト

• GenCI: Generative Modeling of User Interest Shift via Cohort-based Intent Learning for CTR Prediction [84.0125708499372]
  本稿では,クリックスルー率(CTR)予測のためのユーザ嗜好をモデル化するための生成ユーザ意図フレームワークを提案する。 このフレームワークはまず、次の項目の予測目標で訓練された生成モデルを使用して、候補の関心コホートを積極的に生成する。 階層的候補認識ネットワークは、このリッチなコンテキスト信号をランキングステージに注入し、ユーザ履歴とターゲットアイテムの両方に適合するように、クロスアテンションで精製する。
  論文  参考訳（メタデータ） (2026-01-26T08:15:04Z)
• Next Point-of-interest (POI) Recommendation Model Based on Multi-modal Spatio-temporal Context Feature Embedding [29.460520413964243]
  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。
  論文  参考訳（メタデータ） (2025-08-29T14:33:56Z)
• Enhancing POI Recommendation through Global Graph Disentanglement with POI Weighted Module [4.736059095502583]
  次の関心点(POI)推奨は主に、ユーザの過去のチェックインデータと現在の状況に基づいて、将来の活動を予測する。 本稿では,新しいPOIレコメンデーションフレームワークであるGraph Disentangler with POI Weighted Module (GDPW)を提案する。
  論文  参考訳（メタデータ） (2025-07-19T13:16:44Z)
• Bridging SFT and DPO for Diffusion Model Alignment with Self-Sampling Preference Optimization [67.8738082040299]
  自己サンプリング優先最適化(SSPO)は,訓練後強化学習のための新しいアライメント手法である。 SSPOは、SFTのトレーニング安定性を維持しながら、ペアデータと報酬モデルの必要性を排除する。 SSPOは、テキスト・ツー・イメージベンチマークにおける以前のアプローチを全て上回り、テキスト・ツー・ビデオベンチマークにおける優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-10-07T17:56:53Z)
• 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)
• Bayes-enhanced Multi-view Attention Networks for Robust POI Recommendation [81.4999547454189]
  既存の作業では、ユーザによって報告された利用可能なPOIチェックインが、ユーザ行動の真真正な描写であると仮定している。 実際のアプリケーションシナリオでは、主観的および客観的な原因の両方のため、チェックインデータは信頼性が低い。 本稿では,ユーザチェックインの不確実性に対処するため,ベイズ強化型マルチビュー注意ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-11-01T12:47:38Z)
• Recommender Systems with Generative Retrieval [58.454606442670034]
  本稿では,対象候補の識別子を自己回帰的に復号する新たな生成検索手法を提案する。 そのために、各項目のセマンティックIDとして機能するために、意味論的に意味のあるコードワードを作成します。 提案手法を用いて学習した推薦システムは,様々なデータセット上での現在のSOTAモデルよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-08T21:48:17Z)
• 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)
• 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。