Исследовательская группа Google Research совместно с Университетом Южной Калифорнии представила фреймворк Mobility-Embedded POIs (ME-POIs). Новый подход решает типичную проблему языковых моделей и текстовых векторов — они отлично описывают, чем является конкретное место на карте, но не учитывают, как именно им пользуются в реальной жизни.
Классические текстовые эмбеддинги могут присваивать одинаковые векторы двум кофейням в одном квартале, хотя одна из них ориентирована на быстрый утренний поток покупателей, а вторая удерживает посетителей по полтора часа. Разработчики ME-POIs предложили алгоритм, который переводит реальные перемещения и поведение людей в контекстуализированные векторы, связывая их с обучаемыми прототипами для каждого объекта (POI).
Архитектура и обучающие механизмы
Техническая реализация фреймворка опирается на три факторизованных энкодера. Первый модуль, Space2Vec, отвечает за многомасштабное определение локации. Два других модуля на базе Time2Vec обрабатывают время прибытия и время отправления раздельно, что позволяет сохранять различия между началом визита и его продолжительностью.
Полученные векторы проходят синусоидальное позиционное кодирование и поступают на вход четырехслойного трансформера с восемью головами внимания (размерность скрытого слоя d_h равна 512). Основной задачей обучения является контрастивное сопоставление с функцией потерь InfoNCE, которая приближает вектор каждого отдельного визита к прототипу конкретного объекта и отдаляет его от других точек в минибатче.
Ключевые факты
Фреймворк: ME-POIs (Mobility-Embedded POIs) от Google Research и USC.
Параметры модели: Около 53,7 млн параметров, претренинг на одном GPU NVIDIA Tesla V100 16GB.
Результаты: Улучшение по 34 из 35 метрик в тестах по Лос-Анджелесу, включая рост F1 на 81.9% для определения назначения визита.
Открытость: Опубликована научная работа, исходный код и веса на момент релиза не выложены в открытый доступ.
Проблема разреженности данных и работа с хвостом распределения
Главной сложностью при работе с геоданными остается неравномерность трафика. На начальных этапах фильтрации порог «якоря» (100 визитов в Лос-Анджелесе и 50 визитов в Хьюстоне за период) преодолели лишь 9.07% и 7.04% объектов соответственно.
Для обработки малопосещаемых точек из «хвоста» распределения ME-POIs использует нормализованные ядра Гаусса с тремя радиусами охвата — 0.3 км, 1.0 км и 3.0 км. Это позволяет переносить гистограммы посещений с крупных якорных объектов на разреженные точки. Дополнительные компоненты функции потерь на основе дивергенции Кульбака — Лейблера контролируют соответствие эмбеддингов эмпирическим распределениям и проецируемым текстовым описаниям, составленным по рецепту GeoLLM.
Результаты тестирования на реальных датасетах
Оценка метода проводилась на двух крупных анонимизированных датасетах: по Лос-Анджелесу (почти 40 тысяч объектов и 6.9 миллионов визитов за 2019 год) и по Хьюстону (более 28 тысяч объектов и 715 тысяч визитов). Тестирование охватило пять задач обогащения карт в режиме зондирования с замороженными эмбеддингами, где в качестве эталонов выступали данные SafeGraph и Google Maps.
Интеграция ME-POIs улучшила показатели 34 из 35 протестированных пар моделей и задач в Лос-Анджелесе. Среди наиболее заметных результатов — прирост F1 на 16.2% для оценки часов работы с моделью OpenAI-large, увеличение F1 на 81.9% в определении цели визита (Gemini) и сокращение абсолютной ошибки (MAE) на 24.7% при оценке загруженности мест.
Особый интерес представляет вариант модели, обученный исключительно на данных о мобильности без текстовой составляющей. В задаче классификации ценового уровня этот вариант продемонстрировал точность 0.600, опередив текстовые эмбеддинги Gemini (0.559). Такой результат показывает, что коллективное поведение посетителей способно точнее характеризовать заведение, чем слова в его описании.
Практическое значение для разработчиков
Для инженеров, занимающихся геоинформационными системами, логистикой и рекомендательными сервисами, ME-POIs демонстрирует эффективный путь преодоления ограничений чисто текстовых языковых моделей. Низкие требования к вычислительным ресурсам при обучении делают подход доступным для воспроизведения локально, однако практическое внедрение упирается в необходимость наличия качественных и лицензированных данных о перемещениях пользователей.
Источник: MarkTechPost, https://www.marktechpost.com/2026/08/24/google-research-introduces-me-pois-a-mobility-informed-framework-that-adds-how-a-place-is-used-to-text-based-poi-embeddings/
Datos clave
| Punto | Detalle |
|---|---|
| Fuente | MarkTechPost |
| Fecha | 2026-08-24T13:56:59+00:00 |
| Tema | Google Research Introduces ME-POIs: A Mobility-Informed Framework that Adds “How a Place Is Used” to Text-Based POI Embe |