CaST-POI：次のPOI推薦のための候補条件付き時空間モデリング

arXiv cs.AI / 2026/4/25

💬 オピニオンIdeas & Deep AnalysisTools & Practical UsageModels & Research

共有:

要点

次のPOI（Point-of-Interest）推薦では、従来の手法が「ある候補POIを評価するときに過去の訪問がどれだけ重要か」という点を見落としがちである。
提案手法CaST-POIは、候補をクエリとしてユーザ履歴へ動的に注意（attention）を向ける「候補条件付き時空間モデル」を導入する。
さらに、過去の訪問と各候補POIの関係に基づいて、候補相対の時間的・空間的バイアスを加えることで、より細かな移動パターンを捉える。
3つのベンチマークデータセットでの実験により、CaST-POIが既存の最先端手法を一貫して上回り、特に候補プールが大きい場合に大きな改善が得られることが示された。
実装コードはGitHubで公開されており、再現性と導入のために利用できる。

Abstract

次の注目地点（POI: Point-of-Interest）の推薦は、位置情報ベースのサービスにおいて、ユーザの将来の移動パターンを予測するという重要な役割を果たします。既存の手法は一般に、過去の軌跡から単一のユーザ表現を計算し、それを用いてすべての候補POIを一様にスコアリングします。しかし、この候補非依存（candidate-agnostic）パラダイムは、過去の訪問の関連度が、評価している候補が何であるかに本質的に依存するという点を見落としています。本論文では、次のPOI推薦のための候補条件付き時空間モデルであるCaST-POIを提案します。私たちの主要な着想は、異なる候補POIを評価するときには、同じユーザの履歴を異なる方法で解釈すべきだという点です。CaST-POIは、候補をクエリとして用いてユーザ履歴に動的に注意を向ける、候補条件付きのシーケンスリーダを採用します。さらに、過去の訪問と各候補POIとの関係に基づいて、きめ細かな移動パターンを捉えるための、候補相対的な時間的・空間的バイアスも導入します。3つのベンチマークデータセットに対する大規模な実験により、CaST-POIが一貫して最先端手法を上回り、複数の評価指標にわたって大幅な改善が得られることが示されました。特に、大規模な候補プールにおいて顕著な優位性を示します。コードは https://github.com/YuZhenyuLindy/CaST-POI.git で公開されています。