arXiv cs.CY· Xin Wang, Paraic Carroll, Kerry Nice, Sachith Seneviratne, Li Zhang·· 9 天前AI 评分27
哪些个人信息能提升 LLM 的下一位置预测？
What Personal Information Improves LLM-Based Next-Location Prediction?
AI 导读
一项基于深圳 5000 名居民 sociodemographic 记录与移动轨迹的研究发现，在 GPT-5、GPT-5.5 和 Claude Opus 4.6 的 1000 组配对预测中，行为历史将 top-1 准确率从 5.6% 提升至 18.5%（历史从零增至六天），而年龄、性别、职业、收入等 sociodemographic 属性未带来可检测的整体增益。
正文 · AI 翻译
摘要：大语言模型（LLM）越来越多地被用于个体下一位置预测，个人信息很容易与移动历史一起被添加到提示中。然而，此类信息的增量预测价值仍不明确。本研究利用 5,000 名深圳居民的关联社会人口记录和移动轨迹，将模型响应性与预测价值区分开来。GPT-5 是主要模型，并使用 GPT-5.5 和 Claude Opus 4.6 进行复现。在 1,000 个配对预测实例中，模型在包含和不包含年龄、性别、职业和收入的情况下对 100 个候选目的地进行排序，同时所有其他输入保持不变。随着先前历史从零增加到六天，行为历史将 top-1 准确率从 5.6% 提高到 18.5%。相比之下，社会人口属性没有产生可检测的总体增益，尽管将正确属性替换为另一个人的属性会使准确率降低 5.4 个百分点。候选集构建也很重要：在邻近采样下，移除距离会使准确率提高 7.7 个百分点，但在流行度采样下会使其降低 22.3 个百分点，且这一反转在三个 LLM 中均得到复现。这些发现表明行为历史是最明确的增量价值来源，并表明在证明个人信息的隐私和治理成本合理之前，应在匹配且明确指定的条件下对其进行评估。
| 评论： | 20 页，5 幅图 |
| 主题： | 计算机与社会（cs.CY） |
| 引用为： | arXiv:2609.09609 [cs.CY] |
| （或使用 arXiv:2609.09609v2 [cs.CY] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2609.09609 由 DataCite 提供的 arXiv 颁发 DOI |
提交历史
来自：Xin Wang [查看电子邮件]
[v1]
2026 年 9 月 9 日星期三 02:06:10 UTC（2,106 KB）
[v2]
2026 年 10 月 8 日星期四 01:55:23 UTC（2,434 KB）
来源：arXiv cs.CY · arxiv.org