LLM-MGCL通过整合语义和地理数据来增强POI推荐

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，以改进兴趣点（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的信息并利用对比学习目标进行对齐，LLM-MGCL有效地解决了新项目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.IR (Information Retrieval) 阅读 →

• arXiv
• haversine
• InfoNCE
• LightGCN
• LLM-MGCL
• Self-Supervised Graph Learning With Hyperbolic Embedding for Temporal Health Event Prediction
• Yelp Multimodal Recommendation Dataset

• 论文
• 产品

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →