Agent4POI: Framework AI per Raccomandazioni di POI Sensibili al Contesto

Un nuovo framework chiamato Agent4POI è stato sviluppato da ricercatori per raccomandazioni di punti di interesse (POI), che crea rappresentazioni multimodali basate sul contesto durante l'inferenza, invece di utilizzare embedding statici precalcolati. Lo studio, disponibile su arXiv, evidenzia che gli attuali sistemi multimodali rappresentano ogni POI una sola volta come embedding statico, non riuscendo a tenere conto del ragionamento sensibile al contesto—ad esempio, perché un bar può essere ideale per lavoro individuale il lunedì ma adatto per riunioni di gruppo il venerdì sera. Gli autori dimostrano che nessun encoder precalcolato può soddisfare i requisiti di ranking sensibili al contesto con punteggio bilineare standard, sostenendo quindi la rappresentazione lato elemento al momento dell'inferenza. Agent4POI inverte questo processo: utilizza un agente LLM in quattro fasi per generare query di affordance specifiche al contesto (Fase 1) e conduce un processo di ragionamento cross-modale in cinque passi utilizzando immagini, recensioni e metadati (Fase 2). Il risultato è una rappresentazione di affordance consapevole dell'incertezza radicata nella teoria dell'affordance di Gibson, volta a migliorare le raccomandazioni multimodali di POI utilizzando grandi modelli linguistici per analizzare le affordance basate sul contesto.