Apr, 2024

下一个 POI 推荐中 LLMs 的零样本泛化能力

PDF
TL;DR通过对两个广泛使用的真实世界数据集进行广泛实验，我们得出了几个重要的发现。实证评估表明，大型语言模型具有有希望的零样本推荐能力，可以提供准确合理的预测。我们还揭示了大型语言模型不能准确理解地理上下文信息，并对候选 POI 的展示顺序敏感，这显示了大型语言模型的局限性并需要进一步研究鲁棒的人类移动推理机制。
发现论文，激发创造
  • 大型语言模型的零 - shot 下一个位置预测模型

    利用大型语言模型作为零样本下一个位置的预测器进行了评估，并展示了其较高的准确性和解释能力，为解决诸如疾病传播和减少污染等社会问题提供了一种新思路。

    May, 2024

  • 大型语言模型用于下一次兴趣点推荐

    利用预训练的大型语言模型处理 POI 推荐任务中的丰富背景信息，提出的框架在三个真实世界 LBSN 数据集上表现优于现有模型，有效解决了冷启动和短轨迹问题。

    Apr, 2024

  • 使用预训练的大型语言模型进行零样本下一项推荐

    研究发现，使用 Zero-Shot Next-Item Recommendation (NIR) 方法可以使 GPT-3 模型在没有用户历史交互记录信息的情况下，成功地推荐电影，且在电影推荐方面，它甚至可以胜过一些训练有素的顺序推荐模型。

    Apr, 2023

  • 多关系模型赋能下一代 POI 推荐

    本文提出了一种名为 “MEMO” 的新型框架，该框架利用多网络表示学习模块有效利用异构关系，并采用耦合循环神经网络明确地融合了时间间隔内用户 - POI 相互影响，从而有效地解决了点 of 兴趣推荐中关系异质性的问题。

    Apr, 2022

  • 大型语言模型可用于零样本推荐系统排序

    此研究旨在探究大型语言模型在推荐系统中的排名能力，通过采用提示模板设计和引入特定策略，研究发现大型语言模型在候选物品的零 - shot 排名上有着很好的表现，但是若考虑历史互动的顺序、位移等因素，不同的提示和启发方法能够对大型语言模型的表现产生影响。

    May, 2023

  • Where to Go Next: 一种用于下一个 POI 推荐的时空 LSTM 模型

    本文提出了一种基于 STLSTM 的方法来建模相继签到地点之间的时空关系，在四个真实数据集上的实验表明，该方法能够显著地优于现有的下一个兴趣点推荐方法。

    Jun, 2018

  • 大型语言模型用于空间轨迹模式挖掘

    通过对领先的大语言模型如 GPT-4 和 Claude-2 在检测移动数据中的异常行为的能力进行实证研究，我们的研究发现大语言模型可以在没有特定线索的情况下达到合理的异常检测性能，并且在提供上下文线索的情况下可以进一步提高预测效果，同时能够提供合理的判断解释，从而增加透明度，为人类空间轨迹分析的研究提供了洞察。

    Oct, 2023

  • 大型语言模型作为人类移动预测器

    本文介绍了利用大型语言模型（LLM）进行人类移动性预测的潜力。通过引入 LLM-Mob 方法，该研究提出了历史停留和上下文停留的概念，以捕捉人类移动性中的长期和短期依赖，并通过使用预测目标的时间信息实现时间感知预测。全面的评估结果表明，LLM-Mob 在提供准确可解释预测方面表现出色，突显了 LLM 在推进人类移动性预测技术上的未开发潜力。

    Aug, 2023

  • 大型语言模型用于旅行行为预测

    利用大型语言模型进行旅行行为预测，无需数据参数学习，准确性可与传统的监督学习方法相媲美，并能输出预测的原因，但存在逻辑矛盾或幻觉的情况。

    Nov, 2023

  • LLMs 在用户评分预测上的理解能力评估

    通过对传统的 Collaborative Filtering (CF) 方法和不同大小的 LLMs 在用户评分预测任务上的比较，发现 LLMs 存在数据效率方面的潜力，可以通过 fine-tuning 来达到与传统方法相当甚至更好的性能表现。

    May, 2023