Core Concepts
대규모 언어 모델을 활용하여 위치 기반 소셜 네트워크 데이터의 풍부한 맥락 정보를 효과적으로 활용할 수 있는 프레임워크를 제안한다.
Abstract
이 논문은 대규모 언어 모델을 활용하여 다음 방문지 추천 문제를 해결하는 새로운 프레임워크를 제안한다. 기존 방법들은 수치적 특성으로 인해 위치 기반 소셜 네트워크 데이터의 풍부한 맥락 정보를 효과적으로 활용하지 못했다. 이 논문에서는 트래젝토리 프롬팅을 통해 데이터를 질문-답변 형식으로 변환하고, 키-쿼리 유사도를 활용하여 유사한 사용자의 데이터를 활용함으로써 이러한 한계를 극복한다. 실험 결과, 제안 모델이 3개의 실제 데이터셋에서 기존 최신 모델들을 크게 능가하는 성능을 보였다. 추가 분석을 통해 제안 모델이 콜드 스타트 문제와 다양한 길이의 트래젝토리를 효과적으로 처리할 수 있음을 확인했다. 또한 맥락 정보의 활용이 모델 성능 향상에 기여함을 보였다.
Stats
뉴욕시 데이터셋에서 제안 모델의 성능이 기존 최신 모델 대비 23.3% 향상되었다.
도쿄 데이터셋에서 제안 모델의 성능이 기존 최신 모델 대비 2.8% 향상되었다.
캘리포니아 데이터셋에서 제안 모델의 성능이 기존 최신 모델 대비 19.3% 향상되었다.
비활동 사용자에 대해 제안 모델의 성능이 기존 최신 모델 대비 뉴욕시에서 2배, 도쿄와 캘리포니아에서 각각 50% 이상 향상되었다.
Quotes
"기존 방법들은 수치적 특성으로 인해 위치 기반 소셜 네트워크 데이터의 풍부한 맥락 정보를 효과적으로 활용하지 못했다."
"제안 모델이 3개의 실제 데이터셋에서 기존 최신 모델들을 크게 능가하는 성능을 보였다."
"제안 모델이 콜드 스타트 문제와 다양한 길이의 트래젝토리를 효과적으로 처리할 수 있음을 확인했다."