Mobility-LLM：利用大语言模型从人类移动数据中学习访问意图与出行偏好
机器学习
2024-11-05 v1 人工智能
计算与语言
社会与信息网络
摘要
基于位置的服务（LBS）通过签到序列积累了大量关于多样化行为的人类移动数据。这些序列提供了关于用户意图和偏好的宝贵洞察。然而，现有分析签到序列的模型未能考虑这些序列中包含的语义，而这些语义紧密反映了人类的访问意图和出行偏好，导致理解不完整。借鉴大语言模型（LLM）在各领域中卓越的语义理解和上下文信息处理能力，我们提出了 Mobility-LLM，一个利用 LLM 分析签到序列以完成多种任务的新框架。由于 LLM 无法直接解读签到信息，我们重新编程这些序列以帮助 LLM 全面理解人类访问意图和出行偏好的语义。具体而言，我们引入了一种访问意图记忆网络（VIMN）来捕获每条记录的访问意图，以及一个共享的人类出行偏好提示池（HTPP）来引导 LLM 理解用户的出行偏好。这些组件增强了模型从人类移动数据中有效提取和利用语义信息的能力。在四个基准数据集和三个下游任务上的广泛实验表明，我们的方法显著优于现有模型，凸显了 Mobility-LLM 在推进 LBS 语境下对人类移动数据理解方面的有效性。
引用
@article{arxiv.2411.00823,
title = {Mobility-LLM: Learning Visiting Intentions and Travel Preferences from Human Mobility Data with Large Language Models},
author = {Letian Gong and Yan Lin and Xinyue Zhang and Yiwen Lu and Xuedi Han and Yichen Liu and Shengnan Guo and Youfang Lin and Huaiyu Wan},
journal= {arXiv preprint arXiv:2411.00823},
year = {2024}
}
备注
Accepted by NeurIPS2024