論文の概要: Give the Long-tail More SPACE: Promoting Provider Fairness in Next POI Recommendation

• arxiv url: http://arxiv.org/abs/2608.07998v1
• Date: Sat, 08 Aug 2026 08:20:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:36.597977
• Title: Give the Long-tail More SPACE: Promoting Provider Fairness in Next POI Recommendation
• Title（参考訳）: 長方形SPACE:次のPOI勧告におけるプロバイダフェアネスの促進
• Abstract要約: 次のPOI(point-of-interest)レコメンデーションは、過去のモビリティシーケンスからユーザの将来の目的地を予測し、ロケーションベースのサービスの重要なコンポーネントとなっている。 プロバイダフェアネスは近年注目を集めているが、既存のプロバイダフェアネス技術をPOIレコメンデーションに直接適用することは問題となっている。 本研究では,仮想ユーザ生成による長期POI露光を明示的実現性と供給制御により改善するフレームワークであるSPACEを提案する。
• 参考スコア（独自算出の注目度）: 13.092931811623805
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Next point-of-interest (POI) recommendation predicts users' future destinations from historical mobility sequences and has become a key component of location-based services. However, mainstream models often concentrate exposure on a small set of popular POIs, leaving long-tail merchants systematically under-exposed. While provider fairness has recently attracted increasing attention, directly applying existing provider-fairness techniques to POI recommendation is problematic: (i) users face execution constraints; and (ii) POIs face resource supply constraints. To address this, we propose SPACE (Supply- and Physics-Aware Conditional Embedding generation), a model-agnostic framework that improves long-tail POI exposure via virtual user generation under explicit feasibility and supply control. SPACE consists of three stages: (1) community inference to capture heterogeneous user execution constraints; (2) unbalanced optimal-transport allocation to decide how many virtual users each tail POI should receive from which communities under POI-specific supply budgets; and (3) constraint-guided latent diffusion to generate POI-conditional, community-consistent virtual user embeddings. The generated user-POI pairs can be seamlessly used to train existing recommenders without modifying their architectures. Extensive experiments on three real-world datasets demonstrate that SPACE substantially improves provider fairness while maintaining and often improving recommendation accuracy across multiple backbone models. Our code is publicly available at https://github.com/Anniran1/SPACE-main.
• Abstract（参考訳）: 次のPOI(point-of-interest)レコメンデーションは、過去のモビリティシーケンスからユーザの将来の目的地を予測し、ロケーションベースのサービスの重要なコンポーネントとなっている。 しかし、主流のモデルは、しばしば人気のあるPOIの小さなセットに焦点を合わせ、ロングテールの商人は体系的に過小評価されたままであった。 プロバイダフェアネスは近年注目を集めているが、既存のプロバイダフェアネスのテクニックを直接POIレコメンデーションに適用することは問題である。 (i)ユーザは、実行制限に直面している。 (ii)POIは資源供給の制約に直面します。 そこで本研究では,SPACE(Supply- and Physics-Aware Conditional Embedding Generation)を提案する。 SPACE は,(1) 不均一なユーザ実行制約を捕捉するコミュニティ推論,(2) POI 固有のサプライ予算の下でどのコミュニティからそれぞれの仮想ユーザを受信すべきかを決定するための不均衡な最適トランスポート割り当て,(3) POI 条件付き,コミュニティに一貫性のある仮想ユーザ埋め込みを生成するための制約誘導潜在拡散,の3段階で構成されている。 生成されたユーザ-POIペアは、アーキテクチャを変更することなく、既存のレコメンデータのトレーニングにシームレスに使用できる。 3つの実世界のデータセットに対する大規模な実験は、SPACEがプロバイダフェアネスを大幅に改善し、複数のバックボーンモデル間のレコメンデーション精度を維持および改善していることを示している。 私たちのコードはhttps://github.com/Anniran1/SPACE-main.comで公開されています。

関連論文リスト

• 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)
• Breaking User-Centric Agency: A Tri-Party Framework for Agent-Based Recommendation [59.362016745945375]
  第1回LLM-Adnt Recommendation framework(TriRec)を提案する。 TriRecは、ユーザユーティリティ、アイテム露出、プラットフォームレベルの公正性を明示的に調整する。 精度、公平性、およびアイテムレベルのユーティリティにおいて、一貫した利得を示す。
  論文  参考訳（メタデータ） (2026-03-11T11:40:13Z)
• 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)
• Replacing Parameters with Preferences: Federated Alignment of Heterogeneous Vision-Language Models [63.70401095689976]
  パラメータを好みに置き換えることは、よりスケーラブルでプライバシに保護される未来を表している、と私たちは主張する。 ヘテロジニアスVLMのためのGRPOとMixture-of-Rewardsを用いた協調アライメントフレームワークであるMoRを提案する。 MoRは、一般化、堅牢性、およびクロスクライアント適応性において、連邦化されたアライメントベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-01-31T03:11:51Z)
• Bayes-enhanced Multi-view Attention Networks for Robust POI Recommendation [81.4999547454189]
  既存の作業では、ユーザによって報告された利用可能なPOIチェックインが、ユーザ行動の真真正な描写であると仮定している。 実際のアプリケーションシナリオでは、主観的および客観的な原因の両方のため、チェックインデータは信頼性が低い。 本稿では,ユーザチェックインの不確実性に対処するため,ベイズ強化型マルチビュー注意ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-11-01T12:47:38Z)
• 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)
• Empowering Next POI Recommendation with Multi-Relational Modeling [27.27372864066066]
  位置情報ベースのソーシャルネットワーク(LBSN)は、個人レベルの位置情報関連の大規模活動と体験を提供する。 次の関心のポイント(POI)レコメンデーションは、LBSNにおける最も重要なタスクの1つである。 マルチネットワーク表現学習モジュールとの異種関係を効果的に活用する新しいフレームワークMEMOを提案する。
  論文  参考訳（メタデータ） (2022-04-24T21:51:29Z)
• 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)
• PURS: Personalized Unexpected Recommender System for Improving User Satisfaction [76.98616102965023]
  本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。 3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-06-05T01:33:21Z)
• STP-UDGAT: Spatial-Temporal-Preference User Dimensional Graph Attention Network for Next POI Recommendation [22.705788963791445]
  Next Point-of-Interest(POI)推奨は、位置情報ベースのソーシャルネットワーク(LBSN)と交通機関の領域にまたがる長年にわたる問題である。 最近のリカレントニューラルネットワーク(RNN)に基づくアプローチは、独立したユーザ訪問シーケンスに基づいて、ローカルビューでPOI-POI関係を学習する。 本研究では,個人化されたユーザの嗜好を同時に活用し,グローバルな空間的・時間的嗜好地区における新たなPOIを探索する新しい探索・探索モデルを提案する。
  論文  参考訳（メタデータ） (2020-10-06T04:03:42Z)

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。