Peibo Li, Maarten de Rijke, Hao Xue, Shuang Ao, Yang Song...
TL;DR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。
Abstract
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 challen
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。
本文提出了不同的上下文模型,分析了 POI 推荐中不同主要上下文信息的融合。主要贡献是:提供了对上下文感知定位推荐的广泛调查,量化和分析不同上下文信息在 POI 推荐中的影响,并使用两个着名的现实世界数据集评估了所考虑的模型。我们的结果表明,虽然建模地理和时间影响可以提高推荐的质量,但将所有其他上下文信息融合到推荐模型中并不总是最佳策略。
本研究提出了一种基于内核的图神经网络方法,用于下一个 POI 推荐,旨在协同考虑了地理和序列影响,具体地,该方法包括了一个地理模块和一个序列模块,并引入了一个一致性学习框架,提升了两个分离图形提取的跨模块信息交流。在两个真实世界的 LBSN 数据集上,详尽的实验结果展示了该方法相比现有技术的卓越性能。