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

下一个兴趣点（POI）的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中构建推荐模型，这是任务特定的，并需要大量的计算资源。最近，预训练的大型语言模型（LLM）在各种自然语言处理任务中取得了显着进展，并已被用于推荐场景的研究。然而，LLM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运动模式。虽然有一些研究利用LLM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，因此不能有效地解决下一个POI推荐任务。为此，我们设计了新颖的提示策略，并进行了实证研究，以评估LLM（如ChatGPT）预测用户下一个签到的能力。具体而言，我们考虑了人类运动行为中的几个重要因素，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。通过在两个广泛使用的真实世界数据集上进行广泛的实验，我们得出了几个关键发现。实证评估表明，LLM具有有前途的零-shot推荐能力，并可以提供准确合理的预测。我们还揭示了LLM无法准确理解地理上下文信息，并且对候选POI的呈现顺序敏感，这显示了LLM的局限性，并需要进一步研究强大的人类移动性推理机制。

论文旨在解决下一个兴趣点推荐中的地理运动模式提取问题，探索预训练大语言模型的泛化能力。

论文设计了新的提示策略，通过实验评估了大型语言模型在下一个兴趣点推荐中的能力，提出了泛化能力和地理上下文信息理解能力的限制。

论文使用了两个真实世界的数据集进行实验，并得出了大型语言模型具有良好的零-shot推荐能力的结论。此外，论文还发现大型语言模型对地理上下文信息理解能力有限，对备选兴趣点的呈现顺序敏感。

最近的相关研究包括利用大型语言模型进行下一个兴趣点推荐的研究，但是这些研究没有考虑地理影响和顺序转换，并且还有一些研究探索了大型语言模型在推荐场景中的应用。