Where to Move Next: Zero-shot Generalization of LLMs for Next POI Recommendation

下一个兴趣点（POI）推荐为用户探索周围环境提供了有价值的建议。现有研究依赖于从大规模用户签到数据构建推荐模型，这是任务特定的，需要大量的计算资源。最近，预训练的大型语言模型（LLMs）在各种NLP任务中取得了显着的进展，并已被研究用于推荐场景。然而，LLMs的泛化能力仍未被探索，以解决下一个POI推荐的问题，其中应提取用户的地理移动模式。虽然有研究利用LLMs进行下一个项目的推荐，但它们未考虑地理影响和顺序转换。因此，它们无法有效解决下一个POI推荐任务。为此，我们设计了新的提示策略，并进行了实证研究，以评估LLMs（例如ChatGPT）预测用户下一个签到的能力。具体而言，我们考虑了人类移动行为中的几个关键因素，包括用户地理偏好、空间距离和顺序转换，并将推荐任务形式化为排名问题。通过对两个广泛使用的现实世界数据集的大量实验，我们得出了几个关键发现。实证评估表明，LLMs具有有前途的零-shot推荐能力，并且可以提供准确合理的预测。我们还揭示了LLMs无法准确理解地理上下文信息，并且对候选POIs的展示顺序敏感，这显示了LLMs的局限性，并需要进一步研究强大的人类移动性推理机制。

本论文致力于解决下一个兴趣点（POI）推荐的问题，探索利用预训练大型语言模型（LLMs）进行推荐的潜力和局限性。

论文设计了新的提示策略，利用ChatGPT等LLMs进行下一个POI的预测，并将推荐任务转化为排序问题。通过在两个真实数据集上进行实验，研究发现LLMs具有良好的零样本推荐能力，但对地理上下文信息理解不够准确，对候选POIs的呈现顺序敏感。

实验设计了新的提示策略，将推荐任务转化为排序问题。研究发现LLMs具有良好的零样本推荐能力。研究揭示了LLMs对地理上下文信息理解不够准确，对候选POIs的呈现顺序敏感。

最近的相关研究主要集中在利用大规模用户签到数据构建推荐模型，以及利用LLMs进行下一个物品推荐。相关论文包括《A Survey of Location Recommendation Techniques》和《BERT4Rec: Sequential Recommendation with Bidirectional Encoder Representations from Transformer》等。