論文の概要: Revisiting General Map Search via Generative Point-of-Interest Retrieval

• arxiv url: http://arxiv.org/abs/2605.03397v1
• Date: Tue, 05 May 2026 06:19:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.795074
• Title: Revisiting General Map Search via Generative Point-of-Interest Retrieval
• Title（参考訳）: 生成的ポイント・オブ・関心検索による一般地図検索の見直し
• Authors: Dong Chen, Shuai Zheng, Haoyang Shao, Hongsheng Wu, Muhao Xu, Yeyu Yan, Ruifang Li, Zhenfeng Zhu,
• Abstract要約: GenPOIは、地図上の一般検索に適した革新的な生成POI検索フレームワークである。 ヘテロジニアスな検索コンテキストとPOIを構造化シーケンスに統一し、大規模言語モデルの強力なコンテキストモデリングを活用する。 Tencent Mapの大規模産業データセットの実験は、1000万以上の規模でPOIを構成するもので、GenPOIの優れたパフォーマンスを示している。
• 参考スコア（独自算出の注目度）: 12.72290957534088
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Point-of-Interest (POI) retrieval aims to identify relevant candidates from massive-scale POI databases, serving as a cornerstone for diverse location-based services. However, in general map search scenarios, conventional POI retrieval methods are increasingly challenged by underspecified user queries due to their excessive reliance on surface-level semantic matching. Meanwhile, such queries are often highly context-dependent and personalized, yet existing retrieval paradigms struggle to effectively synergize heterogeneous contexts for complex search intent inference. To address these limitations, we revisit general map search from a generative perspective and propose GenPOI, an innovative Generative POI retrieval framework tailored for general search on maps. It seamlessly unifies heterogeneous search contexts and POIs into structured sequences, leveraging the powerful contextual modeling of Large Language Models (LLMs) for spatial-aware candidate generation. Consequently, this generative paradigm effectively solves more challenging queries through profound context dependency modeling and search intent reasoning. Specifically, accounting for the unique geospatial nature of map scenarios, GenPOI introduces a novel Geo-Semantic POI Tokenization to represent each POI as a compact token sequence encoding both semantic and geographic context, thus grounding the LLM's spatial understanding. Additionally, a proximity-aware constrained generation strategy is employed to restrict the decoding space of the LLM, ensuring the validity and geospatial relevance of the generated results. Extensive experiments on large-scale industrial datasets from Tencent Map, comprising POIs at the scale of over 10 million, demonstrate the superior performance of GenPOI.
• Abstract（参考訳）: Point-of-Interest(POI)検索は、大規模POIデータベースから関連する候補を特定することを目的としており、多様な位置情報ベースのサービスの基盤となっている。 しかし,一般的な地図検索のシナリオでは,表面レベルのセマンティックマッチングに過度に依存するため,ユーザクエリが不明確になるため,従来のPOI検索手法が課題となっている。 一方、このようなクエリは文脈に依存してパーソナライズされることが多いが、既存の検索パラダイムは複雑な検索意図推論のために異種コンテキストを効果的に相乗化するのに苦労している。 これらの制約に対処するため、生成的観点から一般地図検索を再考し、地図上の一般検索に適した革新的な生成POI検索フレームワークであるGenPOIを提案する。 不均一な検索コンテキストとPOIを構造化シーケンスにシームレスに統一し、空間認識候補生成のための大規模言語モデル(LLM)の強力なコンテキストモデリングを活用する。 したがって、この生成パラダイムは、深いコンテキスト依存モデリングと探索意図推論により、より困難なクエリを効果的に解決する。 具体的には、地図シナリオの特異な地理空間の性質を考慮すると、GenPOIは、各POIを意味的および地理的文脈の両方をコードするコンパクトなトークンシーケンスとして表現し、LLMの空間的理解を基盤とする、新しいジオ・セマンティックなPOIトークン化を導入する。 さらに、LLMの復号空間を制限し、生成した結果の妥当性と地理空間的関連性を確保するために、近接認識制約付き生成戦略を用いる。 Tencent Mapの大規模産業データセットに関する大規模な実験は、1000万以上の規模のPOIで構成されており、GenPOIの優れたパフォーマンスを示している。

関連論文リスト

• ReaGeo: Reasoning-Enhanced End-to-End Geocoding with LLMs [8.089023511080248]
  本稿では,大規模言語モデルに基づくエンドツーエンドのジオコーディングフレームワークReaGeoを提案する。 この方法は、座標をジオハッシュシーケンスに変換し、座標予測タスクをテキスト生成問題として再構成する。 距離決定に基づく報酬を用いた強化学習を適用し、生成精度を最適化する。
  論文  参考訳（メタデータ） (2026-04-23T07:18:21Z)
• Semantic Area Graph Reasoning for Multi-Robot Language-Guided Search [12.427956436869584]
  textitSemantic Area Graph Reasoning (SAGR)は、大規模言語モデル(LLM)が環境の構造的セマンティックトポロジ的抽象化を通して、マルチロボット探索とセマンティックサーチの協調を可能にする階層的なフレームワークである。 100のシナリオにわたるHabitat-Matterport3Dデータセットの実験では、SAGRは最先端の探索手法と競合し続け、セマンティックターゲットの探索効率は最大18.8%向上した。
  論文  参考訳（メタデータ） (2026-04-17T17:19:54Z)
• Towards Context-aware Reasoning-enhanced Generative Searching in E-commerce [61.03081096959132]
  そこで本稿では,複雑な状況下でのテキストバウンダリングを改善するための,文脈対応推論強化型生成検索フレームワークを提案する。 提案手法は,強力なベースラインに比べて優れた性能を示し,検索に基づく推薦の有効性を検証した。
  論文  参考訳（メタデータ） (2025-10-19T16:46:11Z)
• LLM-guided Hierarchical Retrieval [54.73080745446999]
  LATTICEは階層的な検索フレームワークであり、LLMは対数探索の複雑さで大きなコーパスを推論し、ナビゲートすることができる。 LLM誘導探索における中心的な課題は、モデルの関連性判断がノイズが多く、文脈に依存し、階層性に気付かないことである。 我々のフレームワークは、推論集約型BRIGHTベンチマークで最先端のゼロショット性能を実現する。
  論文  参考訳（メタデータ） (2025-10-15T07:05:17Z)
• Domain-Specific Data Generation Framework for RAG Adaptation [58.20906914537952]
  Retrieval-Augmented Generation (RAG)は、大規模言語モデルの言語理解と推論能力と外部検索を組み合わせ、ドメイン基底応答を可能にする。 本稿では,様々なRAG適応手法に合わせて,ドメイン基底型質問応答コンテキスト(QAC)トリプルを生成するフレームワークであるRAGenを提案する。
  論文  参考訳（メタデータ） (2025-10-13T09:59:49Z)
• Spatial-RAG: Spatial Retrieval Augmented Generation for Real-World Geospatial Reasoning Questions [5.053463027769152]
  空間RAG(Spatial-RAG)は、地理空間質問応答用に設計された検索型生成フレームワークである。 構造化空間データベースと大きな言語モデル(LLM)をハイブリッド空間レトリバーを介して統合する。 応答過程を空間的および意味的関連性に対する多目的最適化として定式化する。
  論文  参考訳（メタデータ） (2025-02-04T01:30:06Z)
• CART: A Generative Cross-Modal Retrieval Framework with Coarse-To-Fine Semantic Modeling [53.97609687516371]
  クロスモーダル検索は、異なるモーダルデータの相互作用を通じて、クエリと意味的に関連するインスタンスを検索することを目的としている。 従来のソリューションでは、クエリと候補の間のスコアを明示的に計算するために、シングルトウワーまたはデュアルトウワーのフレームワークを使用している。 粗大なセマンティックモデリングに基づく生成的クロスモーダル検索フレームワーク(CART)を提案する。
  論文  参考訳（メタデータ） (2024-06-25T12:47:04Z)
• MGeo: Multi-Modal Geographic Pre-Training Method [49.78466122982627]
  マルチモーダルジオグラフィック言語モデル(MGeo)を提案する。 MGeoはGCを新しいモダリティとして表現し、正確なクエリ-POIマッチングのためのマルチモーダル相関を完全に抽出することができる。 提案するマルチモーダル事前学習法は,汎用PTMのクエリ-POIマッチング能力を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2023-01-11T03:05:12Z)

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。