Large Language Models for Next Point-of-Interest Recommendation

下一个兴趣点（POI）推荐任务是根据用户的历史数据预测他们的下一个即将访问的POI。用于下一个POI推荐任务的基于位置的社交网络（LBSN）数据存在挑战。一个经常被忽视的挑战是如何有效利用LBSN数据中丰富的上下文信息。以前的方法受到数字性质的限制，无法解决这个挑战。在本文中，我们提出了一个框架，使用预训练的大型语言模型（LLMs）来解决这个挑战。我们的框架允许我们保留异构的LBSN数据的原始格式，从而避免了上下文信息的丢失。此外，我们的框架能够理解上下文信息的内在含义，因为它包含了常识知识。在实验中，我们在三个真实的LBSN数据集上测试了我们的框架。我们的结果表明，所提出的框架在所有三个数据集中都优于现有的最先进模型。我们的分析证明了所提出的框架在使用上下文信息以及缓解常见的冷启动和短轨迹问题方面的有效性。

本论文旨在解决基于位置的社交网络（LBSN）数据中丰富的上下文信息如何有效利用的问题，以预测用户的下一个POI访问地点。

本论文提出了一种使用预训练的大型语言模型（LLMs）的框架，以处理LBSN数据中的上下文信息，并且能够理解上下文信息的内在含义。

本论文在三个真实的LBSN数据集上进行了实验，结果显示该框架在所有三个数据集上均优于现有模型。该框架具有使用上下文信息的有效性以及缓解常见的冷启动和短轨迹问题的能力。

最近的相关研究包括使用深度学习模型进行下一个POI预测，以及利用上下文信息进行推荐系统。其中一些论文包括：'Next Point-of-Interest Recommendation with Temporal Interval Assessment and Travel Intention Separation'，'Location Recommendation on Location-Based Social Networks'。