Large Language Models for Next Point-of-Interest Recommendation

要約

次の POI (Point of Interest) 推奨タスクは、履歴データを考慮して、ユーザーの直近の次の POI 訪問を予測することです。
次の POI 推奨タスクによく使用される位置ベースのソーシャル ネットワーク (LBSN) データには課題が伴います。
無視されることが多い課題の 1 つは、LBSN データに存在する豊富なコンテキスト情報を効果的に使用する方法です。
以前の方法は数値的な性質によって制限されており、この課題に対処できませんでした。
このペーパーでは、この課題に取り組むために、事前トレーニングされた大規模言語モデル (LLM) を使用するフレームワークを提案します。
私たちのフレームワークを使用すると、異種の LBSN データを元の形式で保存できるため、コンテキスト情報の損失を回避できます。
さらに、私たちのフレームワークは、常識的な知識が含まれているため、文脈情報の固有の意味を理解することができます。
実験では、3 つの現実世界の LBSN データセットでフレームワークをテストします。
私たちの結果は、提案されたフレームワークが 3 つのデータセットすべてにおいて最先端のモデルよりも優れていることを示しています。
私たちの分析は、コンテキスト情報の使用と、一般的に発生するコールドスタートおよび短い軌道の問題の軽減における、提案されたフレームワークの有効性を示しています。

要約(オリジナル)

The next Point of Interest (POI) recommendation task is to predict users’ immediate next POI visit given their historical data. Location-Based Social Network (LBSN) data, which is often used for the next POI recommendation task, comes with challenges. One frequently disregarded challenge is how to effectively use the abundant contextual information present in LBSN data. Previous methods are limited by their numerical nature and fail to address this challenge. In this paper, we propose a framework that uses pretrained Large Language Models (LLMs) to tackle this challenge. Our framework allows us to preserve heterogeneous LBSN data in its original format, hence avoiding the loss of contextual information. Furthermore, our framework is capable of comprehending the inherent meaning of contextual information due to the inclusion of commonsense knowledge. In experiments, we test our framework on three real-world LBSN datasets. Our results show that the proposed framework outperforms the state-of-the-art models in all three datasets. Our analysis demonstrates the effectiveness of the proposed framework in using contextual information as well as alleviating the commonly encountered cold-start and short trajectory problems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google