neurips 2024

1 intro

• 深入挖掘check-in序列的关键在于理解其丰富的语义信息
  • 现有方法主要聚焦于特定任务（位置预测、时间预测。。。），而不是深入探究人类行为的语义信息。
    • ——>这种局限性往往导致优化目标狭窄、对签到语义的理解较浅。
  • 大语言模型在语义理解和上下文信息处理方面表现出强大能力，已在多个任务中成功适应。
    • ——>旨在将预训练的 LLM 作为强大的签到序列学习者
• 作为典型的序列数据，签到序列蕴含丰富语义，体现出多种短期规律和内在特征。
  • 用户的未来行为往往受接近近期访问位置的短期规律影响，我们称之为访问意图（visiting intentions）
  • 个体的内在特征具有跨时间和任务的持久性，决定其出行偏好（travel preferences）
  • ——>主要挑战是：如何使 LLM 能够从签到序列中有效提取语义，全面理解用户的访问意图与出行偏好。
• ——>论文提出了一个统一框架 Mobility-LLM，利用预训练 LLM 在多个签到分析任务（如位置预测、轨迹用户链接、时间预测）中达到 SOTA 或相当水平。
  • 从签到序列中提取语义信息，使 LLM 能够全面理解人类的访问意图和出行偏好。
• ——>提出访问意图记忆网络（VIMN），用于捕捉用户在每次签到中的访问意图
• ——>提出人类偏好的共享提示（HTPP），用于不同领域中引导 LLM 理解用户的出行偏好，从而实现跨领域迁移，并匹配适当领域的任务。

2 Preliminary

3 方法

3.1 整体框架

3.2 PPEL（POI嵌入）

3.3 VIMN 用户访问意图建模 3.4  HTPP 用户偏好建模

4 实验