ADS-POI：面向下一个兴趣点推荐的智能体时空状态分解
信息检索
2026-04-24 v1 人工智能
摘要
下一个兴趣点（POI）推荐需要将用户移动性建模为时空序列，其中不同的行为因素可能以不同的时间和空间尺度演化。大多数现有方法将用户历史压缩为单个潜在表示，这往往会纠缠异构信号，如常规移动模式、短期意图和时间规律性。这种纠缠限制了状态演化的灵活性，并降低了模型适应多样化决策上下文的能力。我们提出了ADS-POI，一个面向下一个POI推荐的时空状态分解框架。ADS-POI用多个并行演化的潜在子状态来表示用户，每个子状态由其自身的时空转移动态控制。这些子状态通过上下文条件机制被选择性地聚合，形成用于预测的决策状态。这种设计使得不同的行为组件能够以不同的速率演化，同时在当前时空上下文中保持协调。在来自Foursquare和Gowalla的三个真实世界基准数据集上的大量实验表明，在全排序评估协议下，ADS-POI始终优于强大的最先进基线。结果表明，将用户行为分解为多个时空感知的状态可以带来更有效和更鲁棒的下一个POI推荐。我们的代码可在https://github.com/YuZhenyuLindy/ADS-POI.git获取。
引用
@article{arxiv.2604.20846,
title = {ADS-POI: Agentic Spatiotemporal State Decomposition for Next Point-of-Interest Recommendation},
author = {Zhenyu Yu and Chunlei Meng and Yangchen Zeng and Mohd Yamani Idna Idris and Shuigeng Zhou},
journal= {arXiv preprint arXiv:2604.20846},
year = {2026}
}