论文
为什么用户去那里：世界知识增强的生成式下一POI推荐
Why Users Go There: World Knowledge-Augmented Generative Next POI Recommendation
摘要
基于大语言模型（LLM）的生成式兴趣点（POI）推荐模型通过将下一POI预测构建为序列生成任务，已展现出令人鼓舞的结果。然而，这些模型中编码的知识在训练后保持固定，使其无法感知塑造用户出行决策的不断变化的现实世界条件，例如本地事件和文化趋势。为弥合这一差距，我们提出AWARE（Agent-based World knowledge Augmented REcommendation），它利用一个LLM智能体生成具备位置与时间感知的上下文叙事，以捕捉与每个用户相关的地域文化特征、季节趋势和正在发生的事件。AWARE并不引入泛化或含噪声的信息，而是进一步将这些叙事锚定在每个用户的行为上下文中，把外部世界知识落到个性化的时空模式上。在三个真实世界数据集上的大量实验表明，AWARE持续优于有竞争力的基线方法，相对提升最高达12.4%。
