MAS4POI: a Multi-Agents Collaboration System for Next POI Recommendation

📄 arXiv: 2409.13700v1 📥 PDF

作者: Yuqian Wu, Yuhong Peng, Jiapeng Yu, Raymond S. T. Lee

分类: cs.IR, cs.AI, cs.SI

发布日期: 2024-09-05

备注: 14 pages, 4 figures

🔗 代码/项目: GITHUB

💡 一句话要点

提出MAS4POI，利用多智能体协作系统提升下一地点推荐效果

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 多智能体系统 兴趣点推荐 大型语言模型 协同过滤 位置服务

📋 核心要点

  1. 现有POI推荐方法难以有效整合多源信息和模拟复杂用户行为，导致推荐精度受限。
  2. MAS4POI系统利用多智能体协作，每个智能体负责不同任务，共同决策下一POI推荐。
  3. 实验结果表明，MAS4POI在真实数据集上显著提升了POI推荐的准确性，验证了其有效性。

📝 摘要（中文）

本文提出了一种新颖的MAS4POI系统，旨在通过多智能体交互来增强下一兴趣点（POI）推荐。MAS4POI支持基于大型语言模型（LLM）的智能体，这些智能体专长于不同角色，例如DataAgent、Manager、Analyst和Navigator，每个智能体都为生成下一POI推荐的协作过程做出贡献。该系统通过集成六个不同的LLM进行测试，并通过两个真实世界数据集进行评估，以提高真实场景中的推荐准确性。代码可在https://github.com/yuqian2003/MAS4POI 获取。

🔬 方法详解

问题定义：论文旨在解决下一兴趣点（POI）推荐问题。现有方法通常难以有效地整合用户历史行为、地理位置信息、社交网络等多源信息，并且难以模拟用户复杂的决策过程，导致推荐精度不高。此外，传统方法在处理大规模数据和动态变化的用户偏好方面也存在挑战。

核心思路：论文的核心思路是利用多智能体系统（MAS）模拟人类协作决策过程。每个智能体扮演不同的角色，例如数据分析师、管理者、导航员等，各自负责特定的任务，并通过相互协作来生成最终的POI推荐。这种方法能够更好地整合多源信息，模拟用户决策过程，并适应动态变化的用户偏好。

技术框架：MAS4POI系统包含四个主要智能体：DataAgent负责数据收集和预处理；Manager负责任务分配和协调；Analyst负责分析用户行为和POI特征；Navigator负责生成最终的POI推荐。整个流程如下：首先，DataAgent收集用户历史行为、地理位置信息、POI特征等数据，并进行预处理。然后，Manager将推荐任务分解为多个子任务，并分配给不同的智能体。Analyst分析用户行为和POI特征，提取相关信息。最后，Navigator根据Analyst的分析结果，生成最终的POI推荐。

关键创新：该论文的关键创新在于将多智能体系统应用于下一POI推荐问题。与传统的单智能体方法相比，MAS4POI能够更好地整合多源信息，模拟用户决策过程，并适应动态变化的用户偏好。此外，该论文还设计了一套完整的智能体协作机制，保证了各个智能体之间的有效沟通和协作。

关键设计：论文中使用了六个不同的LLM来实例化不同的智能体，具体选择未明确说明，但强调了每个LLM都专注于其特定智能体的角色。具体的参数设置、损失函数、网络结构等技术细节在论文中没有详细描述，需要参考代码实现。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，MAS4POI在两个真实世界数据集上显著提升了POI推荐的准确性。具体提升幅度未知，但论文强调了在真实场景下的有效性。通过对比不同的LLM配置，验证了多智能体协作的优势。

🎯 应用场景

该研究成果可应用于各种基于位置的服务（LBS）应用，例如旅游推荐、餐饮推荐、购物推荐等。通过提供更准确的POI推荐，可以提升用户体验，增加用户粘性，并为商家带来更多流量和收益。未来，该方法还可以扩展到其他推荐场景，例如商品推荐、新闻推荐等。

📄 摘要（原文）

LLM-based Multi-Agent Systems have potential benefits of complex decision-making tasks management across various domains but their applications in the next Point-of-Interest (POI) recommendation remain underexplored. This paper proposes a novel MAS4POI system designed to enhance next POI recommendations through multi-agent interactions. MAS4POI supports Large Language Models (LLMs) specializing in distinct agents such as DataAgent, Manager, Analyst, and Navigator with each contributes to a collaborative process of generating the next POI recommendations.The system is examined by integrating six distinct LLMs and evaluated by two real-world datasets for recommendation accuracy improvement in real-world scenarios. Our code is available at https://github.com/yuqian2003/MAS4POI.