2025_NIPS_Mobility-LLM: Learning Visiting Intentions and Travel Preference from Human Mobility Da...

文章核心总结与翻译

一、主要内容

文章提出Mobility-LLM，一种基于大语言模型（LLMs）的统一框架，用于分析位置服务（LBS）中的签到序列数据，核心目标是理解用户的访问意图和出行偏好，进而完成下一位置预测（LP）、轨迹-用户关联（TUL）、下一访问时间预测（TP）三大下游任务。

框架通过四大核心模块实现功能：

1. POI逐点嵌入层（PPEL）：处理POI类别语义模糊问题，生成含地理坐标和类别语义的POI嵌入；
2. 访问意图记忆网络（VIMN）：通过改进GRU捕捉近期行为对当前访问意图的影响；
3. 人类出行偏好提示池（HTPP）：从职业、活动类型、生活方式三大领域提取个性化偏好提示，辅助LLM理解用户固有偏好；
4. 部分冻结的LLM骨干：结合LoRA算法优化训练，适配签到序列数据的时空特性。

实验基于Gowalla、WeePlace等四个真实数据集验证，在三大任务中显著优于现有模型，且在少样本场景（1%-20%训练数据）下仍保持优异性能，平均提升23.6%-38.3%。

二、创新点

1. 提出首个基于LLM的统一签到序列分析框架，突破传统模型仅针对单一任务、缺乏语义理解的局限；
2. 设计VIMN模块，通过时间间隔约束和近期行为优先机制，精准捕捉用户动态访问意图；
3. 构建多领域HTPP提示池，解决用户偏好多样性问题，实现对出行偏好的全面理解；
4. 采用部分冻结+LoRA的训练策略，在激活L