論文の概要: Guess Where You Go: Generative Next Point-of-Interest Recommendation in Amap

• arxiv url: http://arxiv.org/abs/2607.26073v1
• Date: Mon, 13 Jul 2026 15:44:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-02 22:55:39.097957
• Title: Guess Where You Go: Generative Next Point-of-Interest Recommendation in Amap
• Title（参考訳）: あなたがどこへ行くか: Amapの次のポイント・オブ・インテリジェンス・レコメンデーションを生成
• Abstract要約: 本稿では,意味的識別子(SID)生成と生成的ポイント・オブ・インテリジェンス(POI)レコメンデーションを統合するエンド・ツー・エンドの産業フレームワークを提案する。 GwhereはAmapのホームページサービスに,高コンカレンシーと低レイテンシの制約の下でデプロイされる。 長期のオンラインA/Bテストでは、P-CTRが5.83%、U-CTRが6.20%改善された。
• 参考スコア（独自算出の注目度）: 12.259216278301743
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative retrieval enables recommender systems to retrieve items by generating compact item identifiers, but scaling it to industrial scenarios remains challenging due to redundant or colliding token assignments and insufficient integration of heterogeneous item signals. These challenges are particularly critical for next Point-of-Interest (POI) recommendation, where models must represent structured spatial entities, capture sequential mobility patterns, and produce predictions consistent with real user behavior. We propose Gwhere, an end-to-end industrial framework that integrates semantic identifier (SID) generation with LLM-based generative next POI recommendation. Gwhere first learns discriminative POI SIDs through a contrastive residual-quantization tokenizer that aligns textual, visual, spatial, and collaborative signals. Based on these SIDs, Gwhere adapts LLMs to mobility scenarios via continued pretraining on enriched spatio-temporal corpora, supervised fine-tuning, and Exposure-Aware Kahneman-Tversky Optimization (EAKTO), a reinforcement learning objective for behavioral preference alignment. Experiments on public datasets and Amap's large-scale industrial dataset demonstrate the effectiveness of Gwhere. The system has been deployed in Amap's homepage service under high-concurrency and low-latency constraints. Long-term online A/B tests show improvements of 5.83% in P-CTR and 6.20% in U-CTR over the production baseline. The implementation is publicly available at https://github.com/alibaba/SimCIT.
• Abstract（参考訳）: 生成的検索により、コンパクトなアイテム識別子を生成してアイテムを検索できるが、トークンの重複や不均一なアイテム信号の統合が不十分なため、産業シナリオへのスケーリングは依然として困難である。 これらの課題は、モデルが構造化された空間エンティティを表現し、シーケンシャルなモビリティパターンをキャプチャし、実際のユーザの振る舞いと整合した予測を生成する、次のPOI(Point-of-Interest)レコメンデーションにとって特に重要である。 我々は,LLMに基づく次世代POIレコメンデーションとセマンティック識別子(SID)生成を統合するエンド・ツー・エンドの産業フレームワークであるGwhereを提案する。 Gwhereはまず、テキスト、視覚、空間、協調的な信号を調整するコントラスト的な残留量子化トークンーザを通じて差別的なPOI SIDを学習する。 これらのSIDに基づいて、Gwhereは、リッチな時空間コーパスの事前訓練、教師付き微調整、そして行動選好アライメントのための強化学習目的である Exposure-Aware Kahneman-Tversky Optimization (EAKTO) を通じて、LCMをモビリティシナリオに適応させる。 公開データセットとAmapの大規模産業データセットの実験は、Gwhereの有効性を実証している。 このシステムは、Amapのホームページサービスにおいて、高速で低レイテンシな制約の下でデプロイされている。 長期のオンラインA/Bテストでは、P-CTRが5.83%、U-CTRが6.20%改善された。 実装はhttps://github.com/alibaba/SimCITで公開されている。

関連論文リスト

• Once Generated, Ranked: End-to-End Generative Slate Recommendation with Unified Semantic-Collaborative IDs [26.15748750918571]
  スレートレコメンデーションは、個別のアイテムではなくスレートをレコメンデーションユニットとして扱う。 順序付きスレートを直接生成するエンドツーエンドフレームワークであるOGRを提案する。
  論文  参考訳（メタデータ） (2026-08-18T10:24:09Z)
• EchoRec: Multi-Item Prediction-Empowered Generative Recommendation via Cycle-Consistent Preference Alignment [57.08595331216049]
  生成レコメンデーションは、ターゲット項目のセマンティックIDを自己回帰的に生成し、共有トークン空間内の嗜好モデリングとインデックス検索を統合する。 近年の試行ではMTP(Multi-Token Prediction)を導入しているが、その効率性は主に継承され、密集した監視対象としての可能性は未解明のままである。 提案するEchoRecは,マルチホライゾンにまたがるサイクル一貫性の全体的嗜好アライメントをMPPに付与し,生成的レコメンデーションを実現する。
  論文  参考訳（メタデータ） (2026-08-14T06:59:12Z)
• Hierarchical Residual Policy Optimization for Generative Recommendations [46.030303420508254]
  本稿では,アイテムレベルの結果を高密度なトークン整合学習信号に変換するポストトレーニングフレームワークを提案する。 大規模な商用システムにおける公開データセットとオンラインA/Bテストの実験は、セッションレベルのユーティリティと重要なビジネスメトリクスが一貫して向上していることを示している。
  論文  参考訳（メタデータ） (2026-08-01T16:33:15Z)
• Think2Go: Generative Next POI Recommendation with LLM Reasoning [57.37706163990998]
  Next Point-of-Interest (POI)レコメンデーションタスクは、ユーザの行動選好パターンを過去のチェックインからマイニングすることに焦点を当て、次の目的地へのパーソナライズされた提案を提供する。 既存の手法は、次のPOIを予測するために、浅いコンテキスト情報と手作りの特徴相互作用に依存している。 本稿では,SID表現の理解を深め,テスト時間計算による多様な時空間パターンを探索する新しい次世代POIレコメンデーションフレームワークThink2Goを提案する。
  論文  参考訳（メタデータ） (2026-07-31T03:52:20Z)
• DIRECTOR: Dynamic Index-based Recommendation with Transport-Optimized Retrieval [47.419173509430834]
  Re rankは、要求固有の候補セットから高ユーティリティスレートを選択し、注文することを目的とした決定問題である。 本稿では,トランスポート誘導並列化フレームワークであるTransport-d Retrievalを用いた動的インデックスベースのRecommendationを提案する。 実験により、DIRECTORは強いリグレードベースラインを一貫して上回っていることが示された。
  論文  参考訳（メタデータ） (2026-07-29T03:03:03Z)
• From Local Indices to Global Identifiers: Generative Reranking for Recommender Systems via Global Action Space [50.72071213515985]
  GloRankは、ローカルインデックスの選択からグローバル識別子の生成に移行する、ジェネレーティブなフレームワークである。 我々はGloRankが最先端のベースラインを一貫して上回り、コールドスタートシナリオにおいて優れたロバスト性を実現することを示す。
  論文  参考訳（メタデータ） (2026-04-28T06:57:00Z)
• GenRec: A Preference-Oriented Generative Framework for Large-Scale Recommendation [14.663434490160016]
  我々は、JD App上にデプロイされた嗜好指向の生成フレームワークであるGenRecを紹介する。 月のオンラインA/Bテストでは、GenRecは9.5%のクリック数の改善と8.7%のトランザクション数を達成した。
  論文  参考訳（メタデータ） (2026-04-16T11:07:05Z)
• UniRec: Bridging the Expressive Gap between Generative and Discriminative Recommendation via Chain-of-Attribute [12.89120699793625]
  Generative Recommendation (GR) reframes search and ranking as autoregressive decoding over Semantic IDs (SIDs) p(y|f,u) によるランクは p(f|y,u) によるランクと同値であり、アイテムの特徴を自己回帰的に分解する。 提案するUniRecとChain-of-Attribute(CoA)は、その中核となるメカニズムである。CoAは、SIDを復号する前に構造化属性トークン:カテゴリ、販売者、ブランドを含む各SIDシーケンスをプレフィックスし、識別モデルが活用するアイテム側の特徴交差を復元する。
  論文  参考訳（メタデータ） (2026-04-14T03:13:50Z)
• GeoGR: A Generative Retrieval Framework for Spatio-Temporal Aware POI Recommendation [15.009742536403763]
  GeoGRはAMAPのようなナビゲーションベースのLBSに適した地理的生成レコメンデーションフレームワークである。 ユーザのコンテキスト状態の変化を認識し,意図を意識したPOIレコメンデーションを可能にする。 複数の実世界のデータセットに対する大規模な実験は、GeoGRが最先端のベースラインよりも優れていることを示している。
  論文  参考訳（メタデータ） (2026-02-11T01:48:27Z)
• GLASS: A Generative Recommender for Long-sequence Modeling via SID-Tier and Semantic Search [51.44490997013772]
  GLASSは、SID-TierとSemantic Searchを通じて、長期的なユーザ関心を生成プロセスに統合する新しいフレームワークである。 GLASSは2つの大規模実世界のデータセットの実験において最先端のベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2026-02-05T13:48:33Z)
• FORGE: Forming Semantic Identifiers for Generative Retrieval in Industrial Datasets [64.51403245281547]
  FORGEは、産業データセットを使ったジェネレーティブrEtrievalにおけるFOrmingセマンティック識別のベンチマークである。 現実世界のアプリケーションでは、オンラインコンバージェンスを半減するオフライン事前トレーニングスキーマが導入されている。
  論文  参考訳（メタデータ） (2025-09-25T08:44:22Z)
• RecBase: Generative Foundation Model Pretraining for Zero-Shot Recommendation [78.01030342481246]
  RecBaseは、レコメンデーション指向の目的によって事前訓練されたドメインに依存しない基礎モデルである。 アイテムを階層的な概念識別子にエンコードする統一されたアイテムトークンを導入します。 我々のモデルは、ゼロショットおよびクロスドメインレコメンデーションタスクにおいて、LLMのベースラインの最大7Bパラメータのパフォーマンスを一致または超過します。
  論文  参考訳（メタデータ） (2025-09-03T08:33:43Z)
• Towards Adaptive Neighborhood for Advancing Temporal Interaction Graph Modeling [19.831424038609462]
  テンポラルグラフネットワーク(TGN)は、テンポラル相互作用グラフのモデル化において、その顕著な性能を実証している。 本稿では,適応型近傍符号化機構を導入し,既存のTGNの強化を目指す。 既存のTGNとシームレスに統合可能な,フレキシブルなプラグアンドプレイモデルSEANを提案する。
  論文  参考訳（メタデータ） (2024-06-14T07:57:17Z)
• 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)
• CRACT: Cascaded Regression-Align-Classification for Robust Visual Tracking [97.84109669027225]
  改良された提案改良モジュールCascaded Regression-Align- Classification (CRAC)を導入する。 CRACは多くのベンチマークで最先端のパフォーマンスを得る。 OTB-2015、UAV123、NfS、VOT-2018、TrackingNet、GOT-10k、LaSOTを含む7つのベンチマークの実験において、我々のCRACTは最先端の競合他社と比較して非常に有望な結果を示している。
  論文  参考訳（メタデータ） (2020-11-25T02:18:33Z)

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。