מודל חיזוי נקודות עניין עתידיות מרחבי-זמני המבוסס על אינרציה בהתנהגות המשתמש

מדוע המקומות המועדפים עליכם ממשיכים לצוץ

כל מי שמשתמש באפליקציות מפות או דירוגים ראה את אותם בתי קפה, חדרי כושר או פארקים שעל פניו עולים בדממה אל ראש טבלת ההמלצות. מאמר זה חוקר מדוע ההרגלים היומיומיים שלנו הופכים את ההמלצות הללו לנבואיות באופן מפתיע ואיך מתמטיקה חכמה יכולה להפוך נתוני צ׳ק-אין מפוזרים להצעות למקומות הבאים שהן מועילות יותר ופחות אקראיות.

ההרגלים שמאחורי המקומות שאליהם אנו הולכים

המחברים מתחילים בהתבוננות פשוטה: אנשים לא בוחרים את התחנה הבאה שלהם באקראי ברוב המקרים. החיים היומיומיים מונעים על ידי מטרות כגון אכילה, נסיעות, מנוחה או בילוי. לאורך זמן, חזרה על ביקורים באותם סוגי מקומות עבור אותה מטרה יוצרת מה שהמחברים קוראים לו אינרציה התנהגותית — סוג של משיכה ברירתית למקומות מוכרים. במקביל, החיים האמיתיים מלאים בילבול: שעת היום, המרחק והרצון לנסות מקום חדש יכולים לדחוף אנשים הרחק מהבחירות הרגילות שלהם ולפעול כהתנגדות לאינרציה. האתגר הוא ללכוד את שתי הנטיות האלה כדי שמערכת ההמלצות תוכל לנחש באופן אמין יותר את התחנה הבאה של המשתמש.

מיון מקומות לפי מטרות יומיומיות

מכשול אחד הוא שגם אפליקציות מבוססות מיקום פופולריות מאוד סובלות מנתונים מועטים עבור כל אדם בודד; כל משתמש מבקר רק בחלק זניח מכל המרחב הזמין. כדי להקל על הבעיה, החוקרים מקבצים נקודות עניין לארבע מטרות רחבות ואינטואיטיביות: אכילה ושתייה, תחבורה ומלונאות, בילוי ופנאי, ופעילויות חוץ. מקום אחד יכול להשתייך ליותר מקבוצה אחת אם הוא ממלא תפקידים שונים, כמו בר שהוא גם מסעדה. מתוך היסטוריית כל משתמש הם בונים אז ציר זמן של מטרות במקום קואורדינטות גולמיות. טכניקות סדרות זמן פשוטות מעריכות מתי סביר שהמשתמש יהפנה לכל מטרה בהמשך, מה שמצמצם משמעותית את קבוצת המקומות המועמדים לפני שמבוצעת כל דירוג מדויק יותר.

שילוב בין מרחק וכוח ההרגל

לאחר חיזוי המטרה הסבירה של המשתמש, המודל פונה לגאוגרפיה ולאורך ההרגל. אנשים נוטים לנוע בתוך כמה אזורים מוכרים שבהם מקומות מפתח, כמו בית או משרד, משמשים כמרכזים. בעזרת צ׳ק-אינים מהעבר המערכת לומדת היכן נמצאים המרכזים האלה וכמה כל מקום סמוך ביקרו בו. מקומות הקרובים לנקודות הביקור השכיחות של המשתמש מקבלים בוסט טבעי, המשקף את המאמץ הנוסף הדרוש לנסיעה למרחק. במקביל המודל מודד אינרציה התנהגותית באמצעות בחינת קביעות החזרות לאותו מיקום ומהם מרווחי הזמן בין הביקורים. הוא גם מתחשב בכמה מקומות שונים האדם מנסה עבור אותה מטרה: אדם דבוק בהרגל שמסעדתו קבועה מתנהג שונה ממי שמנסה מקומות כל הזמן, גם אם שניהם אוכלים בחוץ בתדירות דומה.

איזון בין איזורי נוחות לסקרנות

העיקרון של הגישה הוא להתייחס לאינרציה ולהתנגדות ככוחות מתחרים. אם משתמש שב לעיתים קרובות למקום עם מרווחי זמן עקביים, המודל מניח משיכה חזקה לחזור לשם, בייחוד כשהחלון החיזוי לביקור הבא מתקרב. עבור מקומות שמבקרים בהם לעיתים רחוקות, המערכת בודקת האם הם קרובים למיקום הנוכחי של המשתמש והאם הם נמצאים בקטגוריה רחבה שהמשתמש נוטה לחקור. זה מאפשר להמליץ לא רק על המקומות הרגילים הברורים אלא גם על בחירות חדשות סבירות בשכונות מוכרות. הניקוד הסופי לכל מקום מועמד מערבב שלושה מרכיבים: המטרה החזויה, הקרבה הגאוגרפית וכוח האינרציה שנלמד לעומת ההתנגדות.

האם הניחושים החכמים האלה אכן עובדים

כדי לבחון את השיטה הם יישמו אותה על כמעט שנה של צ׳ק-אינים מהעולם האמיתי בניו יורק וטוקיו. הם השוו את המודל שלהם לרשימה ארוכה של גישות קיימות, כולל טכניקות המתבססות על רשתות חברתיות, למידה עמוקה ומודלים סדרתיים מפורטים. בשתי הערים המודל המבוסס על אינרציה התנהגותית שיפר מדדי דיוק מרכזיים בכ־15 אחוז בקירוב לגבי אחזור (recall) וכ־20 אחוז עבור מדד דירוג הנקרא MAP. במילים פשוטות, המערכת לא רק מוצאת את המקום הבא הנכון בתדירות גבוהה יותר אלא גם נוטה למקמו גבוה יותר ברשימת ההצעות, שם הסיכוי שהמשתמש ישים לב אליו גדול יותר.

מה המשמעות של זה להמלצות בעתיד

עבור משתמשים יומיומיים, המסקנה היא שהמלצות טובות יותר נובעות מהבנת הסיבות שאנחנו הולכים למקומות, לא רק מהיכן ומתי. על ידי הכרה בכך שאנשים פועלים בתוך שגרות רופפות המעוצבות על ידי מטרה, הרגל ודחיפות קטנה לחקור, המודל הזה מציע דרך להמליץ על תחנות הבאות שנראות אינטואיטיביות ומתוזמנות היטב. המחברים מציעים כי עבודות עתידיות עשויות להתאים את האיזון בין אינרציה להתנגדות ככל שיצטברו נתונים נוספים, ולשלב זאת עם למידה עמוקה מודרנית, כדי להעניק לשירותים מבוססי-מיקום תחושת אנושיות טובה יותר של איזורי נוחות וסקרנות גם יחד.

ציטוט: 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

מילות מפתח: המלצה על נקודת עניין הבאה, אינרציה בהתנהגות משתמש, שירותים מבוססי-מיקום, מילוד מרחבי-זמני, תבניות ניידות