論文の概要: MILES-Rec: Uncovering Implicit Intents from Mobility Behaviors for Cross-Domain POI Recommendation

• arxiv url: http://arxiv.org/abs/2610.41319v1
• Date: Fri, 30 Oct 2026 06:31:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.632104
• Title: MILES-Rec: Uncovering Implicit Intents from Mobility Behaviors for Cross-Domain POI Recommendation
• Title（参考訳）: MILES-Rec: クロスドメインPOIレコメンデーションのための移動行動から不必要成分を発見する
• Abstract要約: MILES-Recはドメイン横断のPOIレコメンデーションフレームワークで、不均一なマップの振る舞いから遅延サービスの意図を推測する。 まず、ユーザプロファイルを合成し、状況を理解するために履歴をマップするプログレッシブな推論デモから学習する。 次に、クエリ関連性とランク付けされたサービスカバレッジに報酬を与えるために、その後のユーザインタラクションを使用して、意図に整合したグループ相対ポリシーの最適化を導入する。
• 参考スコア（独自算出の注目度）: 8.030204611121096
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Map applications bridge everyday mobility with local services, creating opportunities to recommend places by uncovering users' implicit intents. However, utility-driven map interactions provide only indirect and incomplete evidence of consumption demands, making it challenging to infer personalized service needs from observed behaviors. We propose MILES-Rec, a cross-domain POI recommendation framework that infers latent service intents from heterogeneous map behaviors and expresses them as prioritized natural language queries. It first learns from progressive reasoning demonstrations that synthesize user profiles and map histories for situation understanding, intent expansion, and query prioritization. We then introduce intent-aligned group relative policy optimization, using subsequent user interactions to reward query relevance and ranked service coverage while penalizing redundancy and excessive response length. A two-level credit assignment mechanism integrates shared list-level advantages with query-specific advantages, coordinating individual query quality with the complementary coverage of the complete query list. We further construct MILES-Bench from real user interaction logs on a large-scale mapping platform, supporting training and evaluation across diverse services under rich and sparse behavioral histories. Extensive experiments against general-purpose LLMs and specialized recommendation baselines demonstrate superior POI retrieval utility and strong service and semantic alignment, with consistent gains from behavioral policy optimization across four backbone scales.
• Abstract（参考訳）: マップアプリケーションは、日々のモビリティをローカルサービスで橋渡しし、ユーザの暗黙の意図を明らかにすることで、場所を推薦する機会を生み出します。 しかし、ユーティリティ駆動のマップインタラクションは、消費需要の間接的かつ不完全な証拠のみを提供するため、観察された行動からパーソナライズされたサービスニーズを推測することは困難である。 MILES-Recはドメイン間POIレコメンデーションフレームワークで、不均一なマップの振る舞いから潜在サービスの意図を推測し、それらを優先順位付けされた自然言語クエリとして表現する。 まず、ユーザプロファイルを合成し、状況理解、インテント拡張、クエリ優先順位付けのための履歴をマップするプログレッシブ推論デモから学習する。 次に、クエリ関連性やランク付けされたサービスカバレッジに報酬を与えるために、その後のユーザインタラクションを使用して、冗長性と過剰な応答長を罰する意図的グループ相対ポリシーの最適化を導入する。 2段階のクレジット割り当てメカニズムは、共有リストレベルのアドバンテージとクエリ固有のアドバンテージを統合し、個々のクエリ品質と完全なクエリリストの補完的なカバレッジを調整します。 さらに、大規模マッピングプラットフォーム上での実際のユーザインタラクションログからMILES-Benchを構築し、リッチで疎い行動履歴の下での多様なサービスのトレーニングと評価を支援する。 汎用LLMと特別勧告ベースラインに対する大規模な実験は、優れたPOI検索ユーティリティと強力なサービスとセマンティックアライメントを示し、4つのバックボーンスケールにわたる行動ポリシー最適化から一貫した利益を得ている。

関連論文リスト

• Generative Query Suggestion via Intent Coverage and Query-Level Credit Assignment [8.17317761608794]
  インテント・アウェア・ダイバーシティ・モデリングは、インテント・アラインな教師付き微調整データを構成する。 クエリレベルのクレジット割り当ては、個々の品質信号を対応するクエリトークンにルーティングする。 オンラインA/Bテストやオフライン評価を含む大規模な運用データセットの実験では、クリックスルー率、クエリ品質、インテントカバレッジが改善されている。
  論文  参考訳（メタデータ） (2026-09-16T11:19:06Z)
• FedHUR: Learning Hierarchical Utility-Guided Client Relations for Personalized Federated Recommendation [44.13013639783267]
  フェデレートされたレコメンデーションは、ユーザインタラクションデータをローカルクライアントに保持しながら、協調的なモデルトレーニングを可能にする。 FedHURは階層的なユーティリティ誘導型クライアント関係を学習するためのフレームワークである。 5つの実世界のデータセットの実験は、FedHURが既存のフェデレーションベースラインを一貫して上回っていることを示している。
  論文  参考訳（メタデータ） (2026-09-10T14:42:24Z)
• HARP: Hierarchical Adaptive Ranking with Preference-Adaptive Fusion for Query-Based CVE Prioritization [84.9738509922482]
  本稿では,自然言語クエリから候補をランク付けするグラフ付きマルチビューフレームワークと,過去のラベル付きサンプルの支持銀行を提案する。 HarPは脆弱性知識グラフからエビデンスを取得し、ポリシー付きグローバル、エンタプライズ、ユーザビューで候補をスコアし、サンプルサポートからのビューフュージョン重みに適合する。
  論文  参考訳（メタデータ） (2026-08-19T20:29:00Z)
• 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)
• Policy-Grounded Dynamic Facet Suggestions for Job Search [8.820401111478139]
  LinkedInでは、ジョブ関連のクエリの80%以上が、3つ以上のキーワードを含んでいる。 本稿では,意図の曖昧さを容易にする対話型クエリ改善機構である動的ファセット提案(DFS)を提案する。
  論文  参考訳（メタデータ） (2026-05-15T17:30:45Z)
• Learning to Reason for Multi-Step Retrieval of Personal Context in Personalized Question Answering [39.08300602619814]
  QA(Personalization in Question Answering)は、ユーザーの背景、好み、歴史的文脈に合致した正確で正確な回答を必要とする。 個人化のための個人的コンテキストからの推論と検索を統合した強化学習フレームワークPR2を提案する。
  論文  参考訳（メタデータ） (2026-02-22T19:43:43Z)
• 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)
• Personalized Recommendations via Active Utility-based Pairwise Sampling [1.704905100460915]
  単純かつ直感的なペアワイズ比較から好みを学習するユーティリティベースのフレームワークを提案する。 本研究の中心的な貢献は,嗜好評価のための新規なユーティリティベースアクティブサンプリング戦略である。
  論文  参考訳（メタデータ） (2025-08-12T19:09:33Z)
• Large Language Model Empowered Recommendation Meets All-domain Continual Pre-Training [60.38082979765664]
  CPRecは、レコメンデーションのための全ドメイン連続事前トレーニングフレームワークである。 LLMを連続的な事前学習パラダイムを通じて、普遍的なユーザ行動と整合させる。 2つの異なるプラットフォームから5つの実世界のデータセットを実験する。
  論文  参考訳（メタデータ） (2025-04-11T20:01:25Z)
• 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)
• Knowledge-Enhanced Hierarchical Graph Transformer Network for Multi-Behavior Recommendation [56.12499090935242]
  本研究では,ユーザとレコメンデータシステムにおける項目間の多種類の対話パターンを探索する知識強化階層型グラフトランスフォーマネットワーク(KHGT)を提案する。 KHGTはグラフ構造化ニューラルネットワーク上に構築され、タイプ固有の振る舞い特性をキャプチャする。 KHGTは、様々な評価設定において、最先端のレコメンデーション手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2021-10-08T09:44:00Z)

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。