Technische Samenvatting: Think Before You Act (IntentPOI)

Probleemstelling

Het artikel behandelt de taak van Next Point-of-Interest (POI) Voorspelling, wat het aanbevelen van de locatie omvat die een gebruiker waarschijnlijk als volgende zal bezoeken op basis van historische check-in trajecten. Hoewel recente methoden die gebruikmaken van Large Language Models (LLMs) sterke redeneercapaciteiten hebben getoond, identificeren de auteurs een kritische beperking: bestaande benaderingen formuleren de taak doorgaans als een éénstaps traject-naar-locatie mapping probleem.

Deze methoden (zowel prompt-gebaseerd als token-gebaseerd) mappen historische check-ins direct naar een doel-POI of herrangschikken kandidaten. Hierdoor zijn ze gevoelig voor:

1. Oppervlakkige trajectcorrelaties: Een zware afhankelijkheid van impliciete patroonherkenning in plaats van diepgaand gedragsbegrip.
2. Historische frequentiebias: Het standaard kiezen van veelbezochte locaties, zelfs wanneer deze semantisch inconsistent zijn met de huidige context (bijv. het voorspellen van een bezoek aan een sportschool tijdens een tijdslot dat typisch wordt gebruikt voor dineren).

De auteurs stellen dat menselijke mobiliteitsbeslissingen zelden direct op POI-niveau worden genomen. In plaats daarvan vormen gebruikers eerst een reisintentie (bijv. dineren, sociale activiteiten, winkelen) en selecteren zij vervolgens specifieke locaties die die intentie vervullen onder ruimtelijke en temporele beperkingen. Huidige LLM-gebaseerde methoden falen in het expliciet modelleren van deze tussenliggende redeneerstap.

Methodologie: IntentPOI

Om deze beperkingen aan te pakken, stellen de auteurs IntentPOI voor, een tweestaps intentie-gestuurd redeneerframework dat werkt volgens het principe van "Think Before You Act". Het framework ontkoppelt intentie-inferentie van locatievoorspelling.

1. Denkfase: Multi-Rationale Intentie-inferentie

In deze fase extraheert het systeem de latente reisintentie van de gebruiker voordat een locatie wordt geselecteerd. De inferentie is gebaseerd op multi-rationale bewijslast:

• Gebruikersprofiel ($P_n^F$): Gegenereerd door een LLM ($M_F$) die het historische traject van de gebruiker ($X_n$) en statistische samenvattingen analyseert (frequentieverdelingen van uren, POI's en categorieën). Dit biedt een fundament van langetermijn mobiliteitspatronen.
• Peer Gedrag ($P_n^S$): Om datapartheid (data sparsity) te mitigeren, identificeert het systeem vergelijkbare gebruikers op basis van:
  • Semantische Gelijkenis: Cosinus-gelijkenis van tekst-embeddings afgeleid van gebruikersprofielen.
  • Geografische Gelijkenis: Jaccard-index van bezochte geohash-cellen.
    De check-ins van de top-$k$ vergelijkbare gebruikers binnen een tijdsvenster ($\tau$) worden geaggregeerd om grensoverschrijdende mobiliteitsbewijslast te bieden.
• Temporele Context: Het query-traject ($X_n^q$) biedt directe context.

Een LLM ($M_I$) synthetiseert deze inputs om een gestructureerde Intentie ($P_n^I$) te genereren. Deze output bevat de waarschijnlijke POI-categorieën (bijv. "Wijnbar", "Winkelcentrum") en een natuurlijke taal-redeneringsspoor dat uitlegt waarom deze intentie op basis van het bewijs wordt afgeleid.

2. Actiefase: Intentie-gestuurd Redeneren voor POI-voorspelling

Zodra de intentie is vastgesteld, voert het systeem de kandidaat-aanbeveling uit:

• Constructie van de Kandidaatpool: Een compacte pool ($H_n$) wordt opgebouwd door te combineren van:
  • Historische Kandidaten: Alle eerder door de gebruiker bezochte POI's.
  • Ruimtelijke Kandidaten: De $Z$ dichtstbijzijnde POI's van de laatst bekende locatie van de gebruiker.
• Hybride Filtering: Om efficiëntie te waarborgen, wordt de pool gefilterd tot grootte $B$ met behulp van een hybride strategie:
  • Selecteren van top-kandidaten op basis van een bezoekscore (overeenkomsten in frequentie, dag van de week, uur-bak).
  • Selecteren van top-kandidaten op basis van ruimtelijke nabijheid.
• Intentie-gegrond Redeneren: Een redeneer-LLM ($M_R$) neemt het query-traject, het gebruikersprofiel, de geïnferred intentie ($P_n^I$) en de gefilterde kandidaatpool ($\bar{H}_n$) als input. De intentie fungeert als een redeneersteiger (reasoning scaffold), die de LLM stuurt naar het rangschikken van kandidaten die het beste aansluiten bij de geïnferred doelstelling, in plaats van enkel de meest frequente of dichtstbijzijnde locaties. De output is een gerangschikte lijst van POI's met ondersteunende redenen.

Belangrijkste Bijdragen

1. Herformulering van de Taak: Het artikel identificeert het gebrek aan expliciete intentiemodellering als een fundamenteel gat in bestaande LLM-gebaseerde POI-voorspelling. Het herformuleert het probleem van een eenstaps mapping naar een tweestaps redeneerproces (Intentie-inferentie $\rightarrow$ Locatiebepaling).
2. IntentPOI Framework: De voorstel van een "Thinking-Then-Acting" framework dat expliciet gebruikersintenties afleidt met behulp van multi-rationale bewijslast (gebruikersprofiel, peer gedrag, temporele context) en deze intentie gebruikt als een steiger voor downstream redeneren.
3. Empirische Validatie: Uitgebreide experimenten op drie real-world datasets (NYC, TKY, CA) tonen aan dat IntentPOI consequent presteert beter dan elf state-of-the-art baselines, inclusief deep learning modellen (zoals DeepMove, GETNext) en andere LLM-gebaseerde methoden (zoals CoMaPOI, QT-Mob).

Experimentele Resultaten

• Prestaties: IntentPOI behaalde de beste resultaten over alle metrieken (HR@5, HR@10, N@5, N@10, MRR) op alle drie de datasets. Opvallend genoeg verbeterde het op de TKY en CA datasets de HR@5 met respectievelijk 16,66% en 11,71% ten opzichte van de beste baseline.
• Ablatie-studies:
  • Het verwijderen van het gebruikersprofiel uit de denkfase veroorzaakte een enorme prestatedaling (HR@1 daalde met ~49,8%), wat de rol ervan als fundamentele bewijslast bevestigt.
  • Het verwijderen van het intentiesignaal uit de actieve fase resulteerde in een daling van 11,2% in HR@1, wat de intentie valideert als een cruciale redeneersteiger.
  • Het verwijderen van peer gedrag veroorzaakte een daling van 9,5%, wat de waarde van grensoverschrijdende bewijslast benadrukt, vooral bij schaarse data.
  • De hybride filterstrategie bleek aanzienlijk efficiënter dan willekeurige filtering of het gebruik van enkel ruimtelijke/historische kandidaten.
• Robuustheid bij Schaarse Data: Het framework toonde bijzondere veerkracht bij gebruikers met schaarse trajecten, waarbij peer gedrag een nog crucialere rol speelde in het compenseren van de beperkte individuele historie.
• Casestudies: Analyse van succesvolle gevallen toonde aan dat de multi-rationale aanpak correcte intenties identificeerde (bijv. "avond vrije tijd buiten huis") die pure frequentie-gebaseerde modellen misten. Falende gevallen werden toegeschreven aan scenario's waarin de grondwaarheid (ground truth) zo sterk afweek van alle beschikbare signalen (profiel, peers, historie) dat de geïnferred intentie geen effectieve steiger kon dienen.

Betekenis en Claims

Het artikel claimt dat door de intentie-inferentie expliciet te scheiden van de locatievoorspelling, IntentPOI de volgende POI-voorspelling transformeert van frequentie-gestuurde trajectmatching naar intentie-gegronde redenering.

• Interpreteerbaarheid: In tegen tegenstelling tot "black-box" trajectmatching, biedt IntentPOI controleerbare redeneringssporen die uitleggen waarom een locatie werd aanbevolen op basis van specifieke bewijslast (profiel, peers, tijd).
• Generalisatie: De expliciete modellering van intentie stelt het model in staat zich aan te passen aan complexe stedelijke omgevingen en diverse gebruikersgedragingen waar eenvoudige patroonherkenning faalt.
• Paradigmaverschuiving: Het werk suggereert een verschuiving in LLM-gebaseerde mobiliteitsmodellering van het behandelen van LLM's als directe voorspellers naar het gebruiken van LLM's als redeneeragenten die eerst het "waarom" (intentie) begrijpen voordat ze het "waar" (locatie) bepalen.

De auteurs erkennen beperkingen en merken op dat het framework afhankelijk is van de kwaliteit van de door LLM gegenereerde intenties en momenteel focust op kortetermijnintenties zonder de lange-termijn evolutie daarvan te modelleren. Toekomstig werk wordt voorgesteld om efficiëntere modellen en dynamische intentie-evolutie te verkennen.