PulseAugur
中
实时 08:13:02
English(EN) POI Recommendation with LLM-Augmented Multi-Graph Learning and Contrastive Alignment

LLM-MGCL通过整合语义和地理数据来增强POI推荐

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种名为LLM增强的多图对比学习（LLM-MGCL）的新方法来改进兴趣点（POI）推荐系统。该方法通过整合源自LLM生成的摘要和关键词的语义信息以及地理数据，来增强现有的图神经网络。通过融合这些不同类型物品的信息并通过对比学习目标进行齐次化，LLM-MGCL有效地解决了新物品交互数据有限的冷启动问题。在Yelp多模态推荐数据集上的实验表明，与传统方法和仅交互的图神经网络相比，推荐准确性得到了显著提高。 AI

影响 这项研究通过利用LLM生成的见解，有望为新的或不太受欢迎的兴趣点提供更准确、更个性化的推荐。

排序理由 该集群描述了一篇关于POI推荐新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

LLM-MGCL通过整合语义和地理数据来增强POI推荐

报道来源 [2]

  1. arXiv cs.LG TIER_1 English(EN) · Burak Tamer, Wolfram H\"opken, Zehui Wang ·

    基于LLM增强的多图学习与对比学习的POI推荐

    arXiv:2608.16407v1 Announce Type: cross Abstract: Point-of-interest (POI) recommendation models based on graph neural networks achieve strong performance by propagating collaborative signals over user-item interactions, yet they struggle with the cold-start problem, where items w…

  2. arXiv cs.IR (Information Retrieval) TIER_1 English(EN) · Zehui Wang ·

    基于LLM增强的多图学习与对比学习的POI推荐

    Point-of-interest (POI) recommendation models based on graph neural networks achieve strong performance by propagating collaborative signals over user-item interactions, yet they struggle with the cold-start problem, where items with few or no interactions are not represented. In…

相关实体

相关话题