基于大语言模型的下一兴趣点预测的演示选择比较研究
计算与语言
2026-04-09 v1 人工智能
摘要
本文研究了使用大语言模型(LLMs)预测用户下一兴趣点(POI)的演示选择策略，旨在基于历史签到数据准确预测用户的后续位置。虽然基于LLM的上下文学习(ICL)近期作为传统监督方法的替代方案受到关注，但ICL的有效性显著依赖于所选的演示。尽管已有研究考察了随机选择、基于嵌入的选择和任务特定选择等方法，但这些策略之间仍缺乏全面的比较分析。为填补这一空白并阐明实际应用的最佳实践，我们全面评估了现有的演示选择方法以及地理邻近性、时间排序和序列模式等更简单的启发式方法。在三个真实数据集上进行的广泛实验表明，这些启发式方法在计算成本和预测准确性方面始终优于更复杂且计算密集型的基于嵌入的方法。值得注意的是，在某些场景下，使用这些简单启发式方法选择演示的LLM甚至优于现有的微调模型，而无需进一步训练。我们的源代码可在以下地址获取：https://github.com/ryonsd/DS-LLM4POI。
引用
@article{arxiv.2604.06207,
title = {A Comparative Study of Demonstration Selection for Practical Large Language Models-based Next POI Prediction},
author = {Ryo Nishida and Masayuki Kawarada and Tatsuya Ishigaki and Hiroya Takamura and Masaki Onishi},
journal= {arXiv preprint arXiv:2604.06207},
year = {2026}
}
备注
Accepted to PRICAI 2025