CoMaPOI：弥合轨迹与语言鸿沟的下一兴趣点预测协作多智能体框架
计算与语言
2025-06-02 v1 信息检索
摘要
大语言模型（LLM）凭借其在 POI 轨迹语义理解方面的能力，为下一兴趣点（POI）预测任务提供了新的机遇。然而，以往基于 LLM 的方法只是表面上适应了下一 POI 预测，很大程度上忽略了将 LLM 应用于该任务时面临的关键挑战。具体而言，LLM 遇到了两个关键挑战：（1）缺乏对数值时空数据的内在理解，这阻碍了对用户时空分布和偏好的准确建模；（2）候选 POI 空间过大且不受约束，经常导致随机或不相关的预测。为了解决这些问题，我们提出了一个用于下一 POI 预测的协作多智能体框架，命名为 CoMaPOI。通过三个专门智能体（Profiler、Forecaster 和 Predictor）的紧密交互，CoMaPOI 协同解决了这两个关键挑战。Profiler 智能体负责将数值数据转换为语言描述，增强语义理解。Forecaster 智能体专注于动态约束和细化候选 POI 空间。Predictor 智能体整合这些信息以生成高精度预测。在三个基准数据集（NYC、TKY 和 CA）上的大量实验表明，CoMaPOI 实现了 state of the art 的性能，与 SOTA 基线相比，所有指标均提升了 5% 到 10%。这项工作开创性地通过量身定制的协作智能体，研究了将 LLM 应用于复杂时空任务所面临的挑战。
引用
@article{arxiv.2505.23837,
title = {CoMaPOI: A Collaborative Multi-Agent Framework for Next POI Prediction Bridging the Gap Between Trajectory and Language},
author = {Lin Zhong and Lingzhi Wang and Xu Yang and Qing Liao},
journal= {arXiv preprint arXiv:2505.23837},
year = {2025}
}
备注
This paper has been accepted by SIGIR 2025