基于大语言模型的实用下次POI预测示范选择的比较研究

本文研究了使用 大语言模型 (LLM) 预测用户下一个兴趣点 (POI) 的示范选择策略，旨在根据历史签到数据准确预测用户的后续位置。虽然使用 LLM 的上下文学习 (ICL) 最近作为传统监督方法的一种有前途的替代方案而受到关注，但 ICL 的有效性在很大程度上取决于所选的演示。尽管之前的研究已经检验了随机选择、基于嵌入的选择和特定任务选择等方法，但这些策略之间仍然缺乏全面的比较分析。为了弥补这一差距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更简单的启发式方法，例如地理邻近性、时间顺序和顺序模式。对三个现实世界数据集进行的广泛实验表明，这些启发式方法在计算成本和预测精度方面始终优于更复杂且计算要求更高的基于嵌入的方法。值得注意的是，在某些情况下，使用这些更简单的启发式方法选择的演示的 LLM 甚至优于现有的微调模型，而无需进一步训练。我们的源代码位于：https://github.com/ryonsd/DS-LLM4POI。