본 논문은 사용자의 과거 이동 데이터를 기반으로 사용자의 다음 목적지를 예측하는 다음 관심 지점(POI) 추천 과제에 대해 다룹니다. 기존의 대규모 언어 모델(LLM)이 공간적 맥락과 POI 간 전이 관계를 효과적으로 모델링하는 데 어려움을 겪는다는 점을 지적하며, 이를 해결하기 위해 두 가지 특수 구성 요소를 갖춘 새로운 프레임워크인 GA-LLM(Geography-Aware Large Language Model)을 제안합니다. GA-LLM은 지리 좌표 주입 모듈(GCIM)을 통해 계층적 및 푸리에 기반 위치 인코딩을 사용하여 GPS 좌표를 공간 표현으로 변환하고, POI 정렬 모듈(PAM)을 통해 POI 전이 관계를 LLM의 의미 공간에 통합하여 모델의 공간적 이해와 POI 간 관계 파악 능력을 향상시킵니다. 세 개의 실제 데이터 세트에 대한 실험을 통해 GA-LLM이 최첨단 성능을 달성함을 보여줍니다.
시사점, 한계점
•
시사점:
◦
LLM을 공간적 과제에 적용하는 새로운 방법론 제시
◦
GCIM과 PAM 모듈을 통해 LLM의 공간적 이해 및 POI 관계 파악 능력 향상
◦
실제 데이터셋에서 SOTA 성능 달성
•
한계점:
◦
제안된 모델의 확장성 및 다양한 유형의 데이터에 대한 일반화 성능에 대한 추가 연구 필요
◦
특정 데이터셋에 대한 성능 최적화 가능성 존재
◦
GCIM과 PAM 모듈의 설계가 특정 방식에 국한되어 다른 접근 방식과의 비교 연구가 필요
