本研究では、次POI推奨タスクにおいて、事前学習済みの大規模言語モデル(LLM)の活用を検討している。従来の次POI推奨手法は、大規模なユーザのチェックイン履歴データから推奨モデルを構築・訓練する必要があり、計算リソースを大量に消費していた。
本研究では、LLMを用いて、ユーザの長期的な好みと現在の好み、地理的距離、順序的遷移といった重要な要素を考慮しながら、ゼロショット学習で次POIの推奨を行うフレームワーク「LLMmove」を提案している。
具体的には、ユーザの長期的なチェックイン履歴と最近のチェックイン履歴を入力として、LLMに対して次の4つの要件を指示する:
これらの要件に基づいて、LLMは次に訪れる可能性の高いPOIを推奨し、その理由を説明する。
実験の結果、提案手法「LLMmove」は、既存の次POI推奨手法と比較して優れた性能を示すことが確認できた。一方で、LLMが地理的な文脈情報を正確に理解できないこと、候補POIの提示順序に敏感であることなど、LLMの限界も明らかになった。これらの課題は、ロバストな人の移動推論メカニズムの開発に向けた今後の研究課題である。
翻譯成其他語言
從原文內容
arxiv.org
深入探究