北京
谷歌研究院近日发布了一项新研究，尝试解决一个看似基础却长期困扰AI领域的问题：如何让语言模型真正“理解”一个地方，而不只是认识它的名字和标签。
研究团队指出，每个地点都有两种截然不同的“签名”：一是纸面上的身份信息，比如地址、类别和文字描述；二是它实际的功能节奏，比如一家咖啡馆在工作日早晨和周末下午的人流差异。传统语言模型在构建地点表示时，往往只依赖前者，忽略了后者。
把“移动模式”嵌入AI模型
为此，谷歌研究团队提出了一个名为“Mobility-Embedded POIs”（ME-POIs）的新框架。该框架的核心思路并不复杂：在语言模型基于文本生成的地点表示中，融入大规模、匿名的移动性数据，包括到达时间、停留时长以及周边区域的移动模式。
ME-POIs采用自监督学习方式，将文本描述与公开基准数据集中的聚合移动模式相结合，构建出一个同时编码地点身份和动态功能的数值向量表示（即嵌入）。研究团队表示，这种方法让模型不再把地点视为一组静态的文字，而是能够捕捉其在一天中不同时段的真实活动规律。
三项关键指标显著提升
根据研究论文，将ME-POIs与先进文本模型集成后，在未见过的地点上取得了以下提升：
- 访问意图预测：相对提升81.9%
- 价格水平分类：相对提升75.1%
- 繁忙程度估算：准确率提升24.7%
这些数字意味着，通过提供预先丰富的地点表示，ME-POIs让AI模型在推断营业时间、目标价格水平、当前营业状态等属性时，无需每次都从头计算，大幅降低了推理成本，同时提高了准确性。
研究团队认为，要让AI真正理解物理世界，仅靠文字是不够的。将移动性数据与语义标签互补，是让模型更深入理解城市环境动态功能的一条有效路径。该研究使用了公开可用的基准数据集，确保了方法的可复现性。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
