論文の概要: Think Before You Act: Intention-Guided Reasoning for LLM-Based Location Prediction

• arxiv url: http://arxiv.org/abs/2606.08122v1
• Date: Sat, 06 Jun 2026 11:56:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.797259
• Title: Think Before You Act: Intention-Guided Reasoning for LLM-Based Location Prediction
• Title（参考訳）: 行動の前に考える:LLMに基づく位置予測のための意図誘導推論
• Authors: Qingxiang Liu, Anqi Liang, Zhuoyang Jiang, Yutian Jiang, Sisuo Lyu, Yu Ji, Haomin Wen, Yuxuan Liang,
• Abstract要約: ユーザが直接場所を選択することは滅多にない,と我々は主張する。 この知見に触発され、2段階の意図誘導推論フレームワークであるIntentPOIを提案する。 IntentPOIは一貫して11の最先端ベースラインを上回っている。
• 参考スコア（独自算出の注目度）: 34.169695266263254
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting a user's next Point-of-Interest (POI) based on their historical check-in records is a fundamental task in location-based services. While recent methods incorporating large language models have shown strong reasoning capabilities and promising results, they typically formulate the prediction task as a one-step trajectory-to-location mapping problem, making predictions prone to shallow trajectory correlations and historical frequency bias. We argue that users rarely choose locations directly and instead, they usually first form a traveling intention and then accordingly select specific POIs. Motivated by this insight, we propose IntentPOI, a two-stage intention-guided reasoning framework. In the thinking stage, we infer users' intermediate intentions by incorporating historical mobility patterns, similar peer behaviors, and the temporal contexts. In the acting stage, we first construct a compact candidate pool, and then perform intention-guided reasoning to identify locations that best align with the inferred intention. By explicitly decoupling intention inference from location prediction, IntentPOI transforms the next POI prediction from direct trajectory matching into intention-guided reasoning. Extensive experiments on three real-world datasets demonstrate that IntentPOI consistently outperforms eleven state-of-the-art baselines.
• Abstract（参考訳）: 履歴チェックイン記録に基づいて、ユーザの次のPOI(Point-of-Interest)を予測することは、位置情報サービスにおける基本的なタスクである。 大規模言語モデルを組み込んだ最近の手法は、強い推論能力と有望な結果を示しているが、通常は1段階の軌跡-位置マッピング問題として予測タスクを定式化し、浅い軌跡相関や歴史的周波数バイアスに起因する。 ユーザが直接場所を選択することは滅多にない,と我々は主張する。 この知見に触発され、2段階の意図誘導推論フレームワークであるIntentPOIを提案する。 思考段階では、歴史的モビリティパターン、類似したピア行動、時間的文脈を取り入れることで、ユーザの中間意図を推測する。 演出段階では、まずまずコンパクトな候補プールを構築し、次に推論された意図に最適な位置を特定するために意図誘導推論を行う。 位置予測から意図推論を明示的に分離することにより、IntentPOIは次のPOI予測を直接軌跡マッチングから意図誘導推論に変換する。 3つの実世界のデータセットに対する大規模な実験は、IntentPOIが一貫して11の最先端ベースラインを上回っていることを示している。

関連論文リスト

• Adaptive Location Hierarchy Learning for Long-Tailed Mobility Prediction [37.930452438916795]
  本研究では,長期移動予測のためのプラグイン・アンド・プレイ・フレームワークを提案する。 まず, 大規模言語モデル(LLM)に基づく都市に適した位置階層を構築し, マスローの人間モチベーション理論を活用する。 6つのデータセットにわたる最先端モデルの実験は、フレームワークの一貫性のある有効性と一般化可能性を示している。
  論文  参考訳（メタデータ） (2025-05-26T13:26:35Z)
• Forecasting Unseen Points of Interest Visits Using Context and Proximity Priors [7.294418916091012]
  機械学習モデルは、個人が過去の訪問パターンを分析することによって、将来訪問する可能性が高いポイント・オブ・関心(POI)を予測することができる。 従来の研究では、各クラスがPOIに対応するPOI分類器を学習することでこの問題に対処していた。 本稿では,学習データの外部に新たなPOIを予測するためのモデルを提案する。
  論文  参考訳（メタデータ） (2024-11-22T16:50:10Z)
• HPNet: Dynamic Trajectory Forecasting with Historical Prediction Attention [76.37139809114274]
  HPNetは、新しい動的軌道予測手法である。 逐次予測間の動的関係を自動的に符号化する履歴予測アテンションモジュールを提案する。 私たちのコードはhttps://github.com/XiaolongTang23/HPNetで利用可能です。
  論文  参考訳（メタデータ） (2024-04-09T14:42:31Z)
• PBP: Path-based Trajectory Prediction for Autonomous Driving [3.640190809479174]
  軌道予測は自動運転スタックにおいて重要な役割を果たす。 近年、ゴールに基づく予測モデルは、将来の軌道のマルチモーダルな性質に対処するために注目を集めている。
  論文  参考訳（メタデータ） (2023-09-07T14:45:41Z)
• Forecasting Human Trajectory from Scene History [51.72069374835107]
  我々は,暗黙の場面の規則性から学習することで,将来の軌跡を予測することを提案する。 本研究では,シーン履歴情報を歴史的グループ軌跡と個々人のインタラクションの2つのタイプに分類する。 本稿では,シーン履歴をシンプルかつ効果的なアプローチで活用する,SHENet(Scene History Excavating Network)を提案する。
  論文  参考訳（メタデータ） (2022-10-17T03:56:02Z)
• You Mostly Walk Alone: Analyzing Feature Attribution in Trajectory Prediction [52.442129609979794]
  軌道予測のための最近の深層学習手法は有望な性能を示す。 そのようなブラックボックスモデルが実際にどのモデルを予測するために使うのかは、まだ不明である。 本稿では,モデル性能に対する異なるキューの貢献度を定量化する手法を提案する。
  論文  参考訳（メタデータ） (2021-10-11T14:24:15Z)
• MobTCast: Leveraging Auxiliary Trajectory Forecasting for Human Mobility Prediction [5.911865723926626]
  我々はモビリティ予測のためのトランスフォーマーベースのコンテキスト認識ネットワークであるMobTCastを提案する。 移動予測における4種類の文脈の影響について検討する:時間的・意味的・社会的・地理的文脈。 実験の結果、MobTCastは他の最先端の次世代POI予測手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-09-30T09:42:15Z)
• Spatiotemporal Relationship Reasoning for Pedestrian Intent Prediction [57.56466850377598]
  視覚データに対する推論は、ロボティクスとビジョンベースのアプリケーションにとって望ましい能力である。 本稿では,歩行者の意図を推論するため,現場の異なる物体間の関係を明らかにするためのグラフ上でのフレームワークを提案する。 歩行者の意図は、通りを横切る、あるいは横断しない将来の行動として定義され、自動運転車にとって非常に重要な情報である。
  論文  参考訳（メタデータ） (2020-02-20T18:50:44Z)

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。