ADS-POI：次点-of-Interest 推薦のための関数的空間時間状態分解

arXiv:2604.20846v1 Announce Type: cross Abstract: 次点-of-Interest (POI) 推薦は、ユーザーの移動性を空間時間序列としてモデル化する必要があります。異なる行動要因は、異なる時間的および空間的スケールで進化します。既存の多くの方法は、ユーザーの履歴を単一の潜状態表現に圧縮しており、日常的な移動パターン、短期的な意図、時間的規則性などの異質なシグナルを絡み合わせやすくなっています。この絡み合いは状態の進化の柔軟性を制限し、モデルが多様な意思決定文脈に適応する能力を低下させます。我々は、次 POI 推薦のための空間時間状態分解フレームワークである ADS-POI を提案します。ADS-POI は、複数の並列に進化する潜的サブ状態を持つユーザーを表し、それぞれが独自の空間時間遷移ダイナミクスによって支配されています。これらのサブ状態は、文脈依存的機構によって選択的に統合され、予測に使用される決定状態を形成します。この設計により、異なる行動コンポーネントは異なる速度で進化しながらも、現在の空間時間文脈下で調整されています。Foursquare と Gowalla から提供される 3 つの現実世界のベンチマークデータセットにおける広範な実験は、ADS-POI がフルランク評価プロトコル下で強力な最先进技术のベースラインを一貫して凌駕することを示しています。結果は、ユーザーの行動を複数の空間時間認識した状態に分解することにより、より効果的で堅牢な次 POI 推薦が達成できることを示しています。我々のコードは https://github.com/YuZhenyuLindy/ADS-POI.git に利用可能です。

arXiv:2604.20846v1 Announce Type: cross Abstract: Next point-of-interest (POI) recommendation requires modeling user mobility as a spatiotemporal sequence, where different behavioral factors may evolve at different temporal and spatial scales. Most existing methods compress a user's history into a single latent representation, which tends to entangle heterogeneous signals such as routine mobility patterns, short-term intent, and temporal regularities. This entanglement limits the flexibility of state evolution and reduces the model's ability to adapt to diverse decision contexts. We propose ADS-POI, a spatiotemporal state decomposition framework for next POI recommendation. ADS-POI represents a user with multiple parallel evolving latent sub-states, each governed by its own spatiotemporal transition dynamics. These sub-states are selectively aggregated through a context-conditioned mechanism to form the decision state used for prediction. This design enables different behavioral components to evolve at different rates while remaining coordinated under the current spatiotemporal context. Extensive experiments on three real-world benchmark datasets from Foursquare and Gowalla demonstrate that ADS-POI consistently outperforms strong state-of-the-art baselines under a full-ranking evaluation protocol. The results show that decomposing user behavior into multiple spatiotemporally aware states leads to more effective and robust next POI recommendation. Our code is available at https://github.com/YuZhenyuLindy/ADS-POI.git.