論文の概要: Category-Anchored Large Language Models for Next POI Recommendation
- arxiv url: http://arxiv.org/abs/2610.39518v1
- Date: Thu, 29 Oct 2026 07:17:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-01 01:32:10.057477
- Title: Category-Anchored Large Language Models for Next POI Recommendation
- Title（参考訳）: 次のPOIレコメンデーションのためのカテゴリアンコール型大規模言語モデル
- Abstract要約: Next-of-interest(POI)推奨は、モビリティチェックインデータからユーザの次の目的地を予測することを目的としている。
我々は,次のPOIレコメンデーションにおいてセマンティック・トゥ・エンティファリングのためのカテゴリアンコールフレームワークであるANCHORを提案する。
- 参考スコア（独自算出の注目度）: 16.826368809701503
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Next point-of-interest (POI) recommendation aims to predict a user's next destination from spatio-temporal check-in data, and serves as the foundation for many location-based services. Recent advances incorporate large language models (LLMs) into this task by textualizing user trajectories to exploit their semantic reasoning ability. However, directly generating POI identifiers with such models is unreliable: POIs are sparse, localized, and long-tailed entities with weak natural-language semantics, which creates a semantic-to-entity gap between high-level mobility intent and concrete POI prediction. To bridge this gap, we propose ANCHOR, a category-anchored framework for semantic-to-entity grounding in next POI recommendation. Specifically, ANCHOR first estimates category-level mobility intent in a compact and stable semantic space, rather than predicting concrete POI entities directly. The inferred intent is then grounded into a candidate set by integrating three complementary sources of mobility evidence: category anchors, historical visit memory, and user preferences. Finally, a history-aware reranker selects the target POI by matching each candidate with the user's historical mobility patterns and current context. Experiments on three real-world check-in datasets show that ANCHOR consistently outperforms representative traditional, structure-enhanced, and LLM-based baselines on the reported metrics. Further analyses validate the effectiveness of semantic-to-entity grounding and show favorable trade-offs among candidate coverage, ranking quality, and inference efficiency.
- Abstract（参考訳）: Next Point-of-interest(POI)推奨は、時空間チェックインデータからユーザの次の目的地を予測することを目的としており、多くの位置情報ベースのサービスの基盤として機能する。
近年の進歩は、ユーザトラジェクトリをテキスト化して意味論的推論能力を活用することで、大きな言語モデル(LLM)をこのタスクに組み入れている。
しかし、そのようなモデルでPOI識別子を直接生成することは信頼できない: POIは疎結合で、局所化され、長い尾を持つエンティティで、弱い自然言語のセマンティクスを持つ。
このギャップを埋めるために、次のPOI勧告でセマンティック・トゥ・エンタテリティーグラウンドのためのカテゴリアンコールフレームワークであるANCHORを提案する。
具体的には、ANCHORはまず、具体的なPOIエンティティを直接予測するのではなく、コンパクトで安定したセマンティック空間におけるカテゴリレベルのモビリティインテントを推定する。
推論された意図は、カテゴリアンカー、過去の訪問記憶、ユーザー嗜好という3つの相補的なモビリティエビデンスを統合して、候補セットにまとめられる。
最後に、履歴認識リランカは、各候補とユーザの過去のモビリティパターンと現在のコンテキストとをマッチングすることにより、対象のPOIを選択する。
3つの実世界のチェックインデータセットの実験により、ANCHORは報告された指標に基づいて、従来型、構造強化型、LLMベースのベースラインを一貫して上回っていることが示された。
さらに、セマンティック・トゥ・エンタリティ・グラウンドディングの有効性を検証し、候補範囲、ランキング品質、推論効率のトレードオフを示す。
関連論文リスト
- Enhancing Human Mobility Prediction with Spatially Aware LLM-based Multi-Agent Systems [0.6445605125467574]
ユーザの次のPOIを予測することは、人間のモビリティモデリングにおけるタスクである。
本稿では,次のPOI予測を3段階に分解するマルチエージェントフレームワークを提案する。
2つのバックボーンを持つNYCベンチマークデータセットの実験は、ベースラインメソッドよりも改善されている。
論文 参考訳（メタデータ） (2026-09-13T01:41:26Z) - An Empirical Evaluation of Cross-City POI Recommendation on a Large-Scale Benchmark [55.73054722370559]
都市横断点(POI)勧告は、慣れない都市環境をナビゲートするために重要である。
小さいベンチマークで得られた結論が、まだ世界規模でカバーされているか、住宅先が低いか、大きな意味的にリッチなPOI在庫が重複しているかを再検討する。
論文 参考訳（メタデータ） (2026-08-28T02:16:33Z) - 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) - Think Before You Act: Intention-Guided Reasoning for LLM-Based Location Prediction [34.169695266263254]
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。
論文 参考訳（メタデータ） (2026-06-06T11:56:44Z) - CaST-POI: Candidate-Conditioned Spatiotemporal Modeling for Next POI Recommendation [18.263381277536357]
Next Point-of-Interest (POI)レコメンデーションは、ユーザの将来のモビリティパターンを予測することによって、位置情報ベースのサービスにおいて重要な役割を果たす。
既存の手法は通常、歴史的軌跡から単一のユーザ表現を計算し、すべての候補POIを均一にスコアする。
本稿では,次のPOI推薦のための候補条件付きモデルであるCaST-POIを提案する。
論文 参考訳（メタデータ） (2026-02-10T07:10:18Z) - What Makes LLMs Effective Sequential Recommenders? A Study on Preference Intensity and Temporal Context [56.590259941275434]
RecPOは、シーケンシャルなレコメンデーションのための優先順位最適化フレームワークである。
これは、推定された嗜好階層と時間信号に基づいて適応的な報酬マージンを利用する。
タイムリーな満足感、コヒーレントな嗜好の維持、変化する状況下での識別の行使など、人間の意思決定の重要な特徴を反映している。
論文 参考訳（メタデータ） (2025-06-02T21:09:29Z) - Knowledge Graph Completion with Relation-Aware Anchor Enhancement [50.50944396454757]
関係認識型アンカー強化知識グラフ補完法(RAA-KGC)を提案する。
まず、ヘッダーのリレーショナル・アウェア・エリア内でアンカー・エンティティを生成します。
次に、アンカーの近傍に埋め込まれたクエリを引っ張ることで、ターゲットのエンティティマッチングに対してより差別的になるように調整する。
論文 参考訳（メタデータ） (2025-04-08T15:22:08Z) - Coherent Entity Disambiguation via Modeling Topic and Categorical
Dependency [87.16283281290053]
従来のエンティティ曖昧化(ED)メソッドは、参照コンテキストと候補エンティティの一致するスコアに基づいて予測を行う、識別パラダイムを採用している。
本稿では,エンティティ予測のコヒーレンス向上を目的とした新しいデザインを備えたEDシステムであるCoherentedを提案する。
我々は、人気EDベンチマークにおいて、平均1.3F1ポイントの改善により、最先端の新たな結果を得る。
論文 参考訳（メタデータ） (2023-11-06T16:40:13Z) - Exploiting Bi-directional Global Transition Patterns and Personal
Preferences for Missing POI Category Identification [37.025295828186955]
欠落したPOIカテゴリを識別する新しいニューラルネットワーク手法を提案する。
具体的には、チェックインカテゴリ情報が、個人以外の遷移パターンや個人の好みとどのように一致しているかをモデル化するアテンションマッチングセルを設計する。
我々のモデルは、競争力のある次のPOIカテゴリの推薦や予測タスクに対処するために自然に拡張することができる。
論文 参考訳（メタデータ） (2021-12-31T04:15:37Z) - 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。