論文の概要: ADS-POI: Agentic Spatiotemporal State Decomposition for Next Point-of-Interest Recommendation

• arxiv url: http://arxiv.org/abs/2604.20846v1
• Date: Tue, 10 Feb 2026 07:16:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:14.100266
• Title: ADS-POI: Agentic Spatiotemporal State Decomposition for Next Point-of-Interest Recommendation
• Title（参考訳）: ADS-POI:Next-of-interest Recommendationのためのエージェント時空間状態分解
• Authors: Zhenyu Yu, Chunlei Meng, Yangchen Zeng, Mohd Yamani Idna Idris, Shuigeng Zhou,
• Abstract要約: Next-of-interest (POI)レコメンデーションでは、時間的シーケンスとしてユーザモビリティをモデル化する必要がある。 既存のほとんどのメソッドは、ユーザの履歴を単一の潜在表現に圧縮する。 我々は,次のPOIレコメンデーションのための時相状態分解フレームワークであるADS-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 requires modeling user mobility as a spatiotemporal sequence, where different behavioral factors may evolve at different temporal and spatial scales. Most existing methods compress a user's history into a single latent representation, which tends to entangle heterogeneous signals such as routine mobility patterns, short-term intent, and temporal regularities. This entanglement limits the flexibility of state evolution and reduces the model's ability to adapt to diverse decision contexts. We propose ADS-POI, a spatiotemporal state decomposition framework for next POI recommendation. ADS-POI represents a user with multiple parallel evolving latent sub-states, each governed by its own spatiotemporal transition dynamics. These sub-states are selectively aggregated through a context-conditioned mechanism to form the decision state used for prediction. This design enables different behavioral components to evolve at different rates while remaining coordinated under the current spatiotemporal context. Extensive experiments on three real-world benchmark datasets from Foursquare and Gowalla demonstrate that ADS-POI consistently outperforms strong state-of-the-art baselines under a full-ranking evaluation protocol. The results show that decomposing user behavior into multiple spatiotemporally aware states leads to more effective and robust next POI recommendation. Our code is available at https://github.com/YuZhenyuLindy/ADS-POI.git.
• Abstract（参考訳）: 次のPOI(point-of-interest)レコメンデーションでは、異なる行動要因が異なる時間的・空間的スケールで進化する時空間シーケンスとして、ユーザモビリティをモデル化する必要がある。 既存の手法の多くは、ユーザの履歴を単一の潜在表現に圧縮するが、これは日常的なモビリティパターンや短期意図、時間的規則といった異種信号を絡み合わせる傾向がある。 この絡み合いは状態の進化の柔軟性を制限し、さまざまな意思決定コンテキストに適応するモデルの能力を減らす。 我々は,次のPOIレコメンデーションのための時空間状態分解フレームワークであるADS-POIを提案する。 ADS-POIは、複数の並列進化した潜伏状態を持つユーザを表し、それぞれが時空間遷移ダイナミクスによって制御される。 これらのサブステートは、コンテキスト条件のメカニズムを介して選択的に集約され、予測に使用される決定状態を形成する。 この設計により、現在の時空間環境下で調整されたまま、異なる行動成分を異なる速度で進化させることができる。 FoursquareとGowallaの3つの実世界のベンチマークデータセットに対する大規模な実験は、ADS-POIがフルレベルの評価プロトコルの下で強い最先端のベースラインを一貫して上回っていることを示している。 その結果,ユーザの行動を複数の時空間的に認識した状態に分解することで,より効果的で堅牢な次のPOIレコメンデーションが得られることがわかった。 私たちのコードはhttps://github.com/YuZhenyuLindy/ADS-POI.git.comで利用可能です。

関連論文リスト

• Discovering Coordinated Joint Options via Inter-Agent Relative Dynamics [13.0114299827121]
  マルチエージェント環境では、エージェント数と結合状態空間の指数関数的成長により、協調した振る舞いがさらに貴重になる。 既存のマルチエージェントオプション発見手法は、疎結合あるいは完全独立な振る舞いを生成することでコーディネーションを犠牲にすることが多い。 本研究では,強い協調行動を発見するために必要な情報を保持しつつ,状態空間を圧縮する連立状態抽象化を提案する。
  論文  参考訳（メタデータ） (2025-12-31T12:39:22Z)
• 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)
• Next Interest Flow: A Generative Pre-training Paradigm for Recommender Systems by Modeling All-domain Movelines [8.895768051554162]
  本稿では,eコマースレコメンデータシステムのための新しい生成事前学習パラダイムを提案する。 我々のモデルは,ユーザの将来の意図を表す密度の高いベクトル列であるNext Interest Flowを予測することを学ぶ。 パイプライン全体を実装した統合フレームワークである All-domain Moveline Evolution Network (AMEN) を提示する。
  論文  参考訳（メタデータ） (2025-10-13T12:13:17Z)
• What Makes LLMs Effective Sequential Recommenders? A Study on Preference Intensity and Temporal Context [56.590259941275434]
  RecPOは、シーケンシャルなレコメンデーションのための優先順位最適化フレームワークである。 これは、推定された嗜好階層と時間信号に基づいて適応的な報酬マージンを利用する。 タイムリーな満足感、コヒーレントな嗜好の維持、変化する状況下での識別の行使など、人間の意思決定の重要な特徴を反映している。
  論文  参考訳（メタデータ） (2025-06-02T21:09:29Z)
• AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
  本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。 同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。 そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
  論文  参考訳（メタデータ） (2024-03-20T06:22:37Z)
• CPMR: Context-Aware Incremental Sequential Recommendation with Pseudo-Multi-Task Learning [7.12850130177239]
  本研究では,歴史シナリオと文脈シナリオの両方の進化をモデル化する文脈認識型 Pseudo-Multi-Task Recommender System (CPMR) を提案する。 4つのベンチマークレコメンデーションデータセットの実験結果は、CPMRが一貫して最先端のベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2023-09-09T14:07:11Z)
• BASM: A Bottom-up Adaptive Spatiotemporal Model for Online Food Ordering Service [7.088699796818076]
  オンライン注文サービス(オンライン注文サービス、英: Online-Ordering Service、FOS)は、ユーザーが望むものを注文するのを助ける位置情報ベースのサービスである。 本稿では、異なる時間的データ分布に適応的に適合する新しい適応モデル(StemporalM)を提案する。 また,BASMの有効性を検証するために,TAUC(Time- period-wise AUC)とCAUC(City-wise AUC)の2つの新しい指標を導入した。
  論文  参考訳（メタデータ） (2022-11-22T06:08:57Z)
• Age of Semantics in Cooperative Communications: To Expedite Simulation Towards Real via Offline Reinforcement Learning [53.18060442931179]
  協調リレー通信システムにおける状態更新のセマンティックス更新度を測定するための意味学年代(AoS)を提案する。 オンライン・ディープ・アクター・クリティック(DAC)学習手法を,政治時間差学習の枠組みに基づいて提案する。 そこで我々は,以前に収集したデータセットから最適制御ポリシーを推定する,新しいオフラインDAC方式を提案する。
  論文  参考訳（メタデータ） (2022-09-19T11:55:28Z)
• 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)
• Instance-Aware Predictive Navigation in Multi-Agent Environments [93.15055834395304]
  エージェント間の相互作用と将来のシーン構造を予測するIPC(Instance-Aware Predictive Control)アプローチを提案する。 我々は,ego中心の視点でエージェント間のインタラクションを推定するために,新しいマルチインスタンスイベント予測モジュールを採用する。 シーンレベルとインスタンスレベルの両方の予測状態をより有効活用するために、一連のアクションサンプリング戦略を設計します。
  論文  参考訳（メタデータ） (2021-01-14T22:21:25Z)

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。