論文の概要: Why Users Go There: World Knowledge-Augmented Generative Next POI Recommendation

• arxiv url: http://arxiv.org/abs/2605.11807v1
• Date: Tue, 12 May 2026 09:01:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.737451
• Title: Why Users Go There: World Knowledge-Augmented Generative Next POI Recommendation
• Title（参考訳）: なぜユーザーがそこに行くのか:世界的知識に富んだ次世代のPOI勧告
• Authors: Qiuyu Ding, Heng-Da Xu, Wei Zhang, Dongyi Lv, Changda Xia, Feng Xiong, Mu Xu,
• Abstract要約: AWARE(Augmented Recommendation) AWAREは、地域文化の特徴、季節的傾向、および各ユーザに関連する進行中の出来事を捉えた文脈的物語を生成する。 AWAREは競争ベースラインを一貫して上回り、12.4%の相対的な改善を達成している。
• 参考スコア（独自算出の注目度）: 6.2314068624703465
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative point-of-interest (POI) recommendation models based on large language models (LLMs) have shown promising results by formulating next POI prediction as a sequence generation task. However, the knowledge encoded in these models remains fixed after training, making them unable to perceive evolving real-world conditions that shape user mobility decisions, such as local events and cultural trends. To bridge this gap, we propose AWARE (Agent-based World knowledge Augmented REcommendation), which employs an LLM agent to generate location- and time-aware contextual narratives that capture regional cultural characteristics, seasonal trends, and ongoing events relevant to each user. Rather than introducing generic or noisy information, AWARE further anchors these narratives in each user's behavioral context, grounding external world knowledge in personalized spatial-temporal patterns. Extensive experiments on three real-world datasets demonstrate that AWARE consistently outperforms competitive baselines, achieving up to 12.4% relative improvement.
• Abstract（参考訳）: 大規模言語モデル(LLM)に基づくPOI推薦モデルでは,次回のPOI予測をシーケンス生成タスクとして定式化することによって,有望な結果が得られた。 しかし、これらのモデルに符号化された知識はトレーニング後も固定されており、ローカルイベントや文化トレンドなど、ユーザのモビリティ決定を形成する現実世界の状況の進化を認識できない。 このギャップを埋めるために,LLMエージェントを用いて地域文化の特徴,季節的傾向,各ユーザに関連する継続的な出来事を捉えた位置情報・時間的文脈的物語を生成するAWARE(Agent-based World knowledge Augmented Recommendation)を提案する。 一般的な情報や騒々しい情報を導入する代わりに、AWAREはこれらの物語を各ユーザの行動コンテキストに固定し、空間的・時間的パターンをパーソナライズする。 3つの実世界のデータセットに対する大規模な実験は、AWAREが競争ベースラインを一貫して上回り、最大12.4%の相対的な改善を達成していることを示している。

関連論文リスト

• Online Experiential Learning for Language Models [99.90826536842337]
  Online Experiential Learning (OEL)は、言語モデルが自身のデプロイメントエクスペリエンスから継続的に改善できるフレームワークである。 OELは、まず、転送可能な経験知識を抽出し、ユーザ側で収集された相互作用軌跡から蓄積する。 テキストベースのゲーム環境において,複数のモデルスケールでOELを評価し,思考と非思考の両バリエーションについて検討した。
  論文  参考訳（メタデータ） (2026-03-17T17:57:49Z)
• FedUTR: Federated Recommendation with Augmented Universal Textual Representation for Sparse Interaction Scenarios [58.33672784127872]
  フェデレーションレコメンデーション(FR)は、デバイス上のプライバシ保護パラダイムとして登場した。 本稿では,対話行動の補完として項目文表現を取り入れたFedUTRという新しい手法を提案する。 提案手法は,SOTAベースラインと比較して,全データセットの最大59%の改善を達成し,優れた性能を実現する。
  論文  参考訳（メタデータ） (2026-01-29T08:55:19Z)
• Predicting the Future by Retrieving the Past [23.181638022094038]
  本研究では,世界史データを明示的に統合し,予測精度を高める手法であるPFRP(Retrieving the Past)を提案する。 PFRPは、グローバル予測と任意の局所予測モデルの出力を適応的に組み合わせることで、より正確で解釈可能な予測を生成する。
  論文  参考訳（メタデータ） (2025-11-08T05:24:45Z)
• Cognitive-Aligned Spatio-Temporal Large Language Models For Next Point-of-Interest Prediction [22.412601522965144]
  大規模言語モデル(LLM)は、次のPOI予測を生成的に扱うレコメンデーションシステムにおいて大きな可能性を示している。 産業規模のPOI予測アプリケーションでは、季節、気象条件、休日、利用者のプロフィールなど、世界の知識と人間の認知のアライメントを取り入れることで、ユーザエクスペリエンスを向上させることができる。 自然言語をインタフェースとして利用するフレームワークであるCoASTを提案する。
  論文  参考訳（メタデータ） (2025-10-16T14:05:28Z)
• GSTM-HMU: Generative Spatio-Temporal Modeling for Human Mobility Understanding [12.79351579779076]
  本稿では,移動分析を前進させるための時間的時間的生成フレームワークであるGSTM-HMUを紹介する。 Gowalla、WeePlace、Brightkite、FourSquareなど、広く使われている4つの実世界のデータセットの実験を行います。
  論文  参考訳（メタデータ） (2025-09-23T15:20:38Z)
• LaDi-WM: A Latent Diffusion-based World Model for Predictive Manipulation [45.02469804709771]
  拡散モデルを用いて将来の状態の潜伏空間を予測する世界モデルLaDi-WMを提案する。 LIBERO-LONGベンチマークでは,LaDi-WMが27.9%,現実シナリオでは20%,政策性能が著しく向上することを示した。
  論文  参考訳（メタデータ） (2025-05-13T04:42:14Z)
• World-Consistent Data Generation for Vision-and-Language Navigation [33.13590164890286]
  VLN(Vision-and-Language Navigation)は、自然言語の指示に従って、エージェントがフォトリアリスティックな環境をナビゲートする必要がある課題である。 VLNの主な障害はデータの不足であり、目に見えない環境における一般化性能の低下につながる。 多様性と世界整合性の両方を満たす効率的なデータ拡張フレームワークである世界整合データ生成(WCGEN)を提案する。
  論文  参考訳（メタデータ） (2024-12-09T11:40:54Z)
• ALP: Action-Aware Embodied Learning for Perception [60.64801970249279]
  認知のための行動認識型身体学習(ALP)について紹介する。 ALPは、強化学習ポリシーと逆ダイナミクス予測目標を最適化することにより、行動情報を表現学習に組み込む。 ALPは、複数の下流認識タスクにおいて、既存のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-16T21:51:04Z)
• 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)
• 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。