Ein spatio-temporales Next-POI-Empfehlungsmodell basierend auf Nutzerverhaltens-Inertie

Warum Ihre Lieblingsorte immer wieder auftauchen

Wer Karten- oder Bewertungs-Apps nutzt, hat wahrscheinlich schon bemerkt, dass dieselben Cafés, Fitnessstudios oder Parks beständig ganz oben in den Vorschlägen erscheinen. Dieses Paper untersucht, warum unsere Alltagsgewohnheiten solche Empfehlungen überraschend vorhersehbar machen und wie geschicktere mathematische Modelle verstreute Check-in-Daten in nützlichere, weniger zufällige Vorschläge für den nächsten Ort verwandeln können.

Die Gewohnheiten hinter unseren Zielen

Die Autoren starten von einer einfachen Beobachtung: Menschen wählen ihren nächsten Zielort selten zufällig. Der Alltag wird von Zwecken wie Essen, Pendeln, Entspannen oder Ausgehen bestimmt. Wenn man wiederholt ähnliche Orte für denselben Zweck aufsucht, entsteht im Laufe der Zeit, was die Autoren Verhaltensinertie nennen — eine Art Standardanziehung zu vertrauten Orten. Gleichzeitig ist das echte Leben unordentlich. Tageszeit, Distanz und die Neugier, Neues auszuprobieren, können Menschen von ihren üblichen Entscheidungen wegdrücken und wirken so als Widerstand gegen diese Inertie. Die Herausforderung besteht darin, beide Tendenzen zu erfassen, damit ein Empfehlungssystem zuverlässiger den nächsten Halt eines Nutzers vorhersagen kann.

Orte nach Alltagszweck sortieren

Ein Hindernis ist, dass selbst beliebte standortbezogene Apps für einzelne Personen sehr dünne Daten haben; jeder Nutzer besucht nur einen winzigen Bruchteil aller verfügbaren Orte. Um dieses Problem zu mildern, gruppieren die Forscher Points of Interest in vier breite, intuitive Zwecke: Essen und Trinken, Verkehr und Unterkünfte, Ausgehen/Entertainment und Aktivitäten im Freien. Ein einzelner Ort kann mehreren Gruppen angehören, wenn er verschiedene Rollen erfüllt, etwa eine Bar, die auch Restaurant ist. Aus der Historie jedes Nutzers bauen sie dann eine Zeitlinie der Zwecke statt roher Koordinaten. Einfache Zeitreihenmethoden schätzen, wann ein Nutzer am ehesten einen bestimmten Zweck als Nächstes verfolgt, was die Menge der Kandidatenorte stark eingrenzt, bevor eine feinere Bewertung erfolgt.

Distanz und Gewohnheitsstärke kombinieren

Nachdem der wahrscheinliche Zweck des Nutzers geschätzt wurde, wendet sich das Modell der Geografie und der Gewohnheit zu. Personen bewegen sich tendenziell innerhalb weniger vertrauter Zonen, in denen Schlüsselorte wie Zuhause oder Büro als Zentren fungieren. Anhand vergangener Check-ins lernt das System, wo diese Zentren liegen und wie häufig jeder nahegelegene Ort besucht wurde. Orte, die näher an den häufigen Stopps eines Nutzers liegen, erhalten einen natürlichen Bonus, der den zusätzlichen Aufwand für größere Wege widerspiegelt. Gleichzeitig misst das Modell Verhaltensinertie, indem es untersucht, wie regelmäßig jemand zu demselben Ort zurückkehrt und wie groß die üblichen Abstände zwischen Besuchen sind. Es berücksichtigt auch, wie viele verschiedene Orte eine Person für denselben Zweck ausprobiert: Jemand, der immer im gleichen Restaurant isst, verhält sich anders als ein häufiger Experimentierer, selbst wenn beide oft auswärts essen.

Komfortzonen mit Neugier ausbalancieren

Kern der Methode ist die Behandlung von Inertie und Widerstand als gegensätzliche Kräfte. Besucht ein Nutzer einen Ort häufig mit konsistenten Zeitabständen, nimmt das Modell einen starken Rückzugspunkt dorthin an, besonders wenn das nächste vorhergesagte Besuchsfenster naht. Bei selten besuchten Orten prüft das System, ob sie nahe der aktuellen Position des Nutzers liegen und ob sie in eine breitere Kategorie fallen, die der Nutzer gern erkundet. So lassen sich nicht nur offensichtliche Stammplätze empfehlen, sondern auch plausibel neue Optionen in vertrauten Nachbarschaften. Die Endbewertung jedes Kandidatenortes vereint drei Zutaten: vorhergesagter Zweck, geographische Nähe und die gelernte Stärke von Verhaltensinertie gegenüber Widerstand.

Funktionieren diese klügeren Vorhersagen tatsächlich?

Um ihre Methode zu testen, wendeten die Autoren sie auf knapp ein Jahr realer Check-ins aus New York City und Tokio an. Sie verglichen ihr Modell mit einer langen Liste bestehender Ansätze, darunter Techniken, die auf sozialen Netzwerken, Deep Learning und detailliertem Sequenzmodellieren beruhen. In beiden Städten verbesserte ihr verhaltensinertiebasiertes Modell zentrale Genauigkeitsmaße um bis zu etwa 15 Prozent beim Recall und 20 Prozent beim Rankingmaß MAP. Einfach gesagt: Das System findet nicht nur häufiger den korrekten nächsten Ort, sondern platziert ihn auch tendenziell höher in der vorgeschlagenen Liste, wo ein Nutzer ihn eher bemerkt.

Was das für zukünftige Empfehlungen bedeutet

Für die Alltagsnutzer lautet die Schlussfolgerung, dass bessere Empfehlungen daraus entstehen, zu verstehen, warum wir Orte aufsuchen, und nicht nur wo und wann. Indem das Modell erkennt, dass Menschen lockeren Routinen folgen, die von Zweck, Gewohnheit und kleinen Anreizen zum Erkunden geprägt sind, bietet es eine Möglichkeit, nächste Ziele vorzuschlagen, die intuitiv und zeitgerecht wirken. Die Autoren schlagen vor, künftig die Balance zwischen Inertie und Widerstand dynamisch anzupassen, sobald mehr Daten vorliegen, und dies mit modernen Deep-Learning-Ansätzen zu kombinieren, um standortbezogenen Diensten ein menschlicheres Gespür für Komfortzonen und Neugier zu geben.

Zitation: Zhang, K., Chu, D., Tu, Z. et al. A user behavior inertia based spatio temporal next POI recommendation model. Sci Rep 16, 15784 (2026). https://doi.org/10.1038/s41598-026-42191-x

Schlüsselwörter: Next-POI-Empfehlung, Verhaltensinertie von Nutzern, standortbezogene Dienste, spatio-temporale Modellierung, Mobilitätsmuster