LLM零样本通用性：下一站点推荐
信息检索
2024-04-24 v2 人工智能
摘要
下一站点（POI）推荐为用户提供了探索周围环境的有价值建议。现有研究依赖于构建基于大规模用户签到数据的推荐模型，这类模型是特定于任务的，需要大量计算资源。最近，预训练的大型语言模型（LLM）在各种NLP任务中取得了显著进展，也被用于推荐场景。然而，LLM的泛化能力尚未被探索以解决下一站点推荐问题，其中需要提取用户的地理移动模式。虽然已有研究利用LLM进行下一项推荐，但未能考虑地理影响和顺序转换，因而无法有效解决下一站点推荐任务。为此，我们设计了新的提示策略并进行经验研究，以评估LLM（如ChatGPT）预测用户下一站签到位置的能力。具体而言，我们考虑了人类行为中几个关键因素，包括用户地理偏好、空间距离和顺序转换，并将推荐任务形式化为排序问题。通过在两个广泛使用的真实数据集上的大量实验，我们得出了几个关键发现。经验评估表明，LLM具有有前景的零样本推荐能力，并能提供准确且合理的预测。我们还发现，LLM无法准确理解地理上下文信息，并且对候选POI呈现顺序敏感，这表明了LLM的局限性，进一步需要研究鲁棒的人类移动推理机制。
引用
@article{arxiv.2404.01855,
title = {Where to Move Next: Zero-shot Generalization of LLMs for Next POI Recommendation},
author = {Shanshan Feng and Haoming Lyu and Caishun Chen and Yew-Soon Ong},
journal= {arXiv preprint arXiv:2404.01855},
year = {2024}
}