同じカテゴリ、同じ住所ブロック、同じテキストベクトルを持つ2つのコーヒーショップ。しかし、一方は通勤客が次々と訪れ、もう一方は顧客が90分以上滞在する――。テキスト埋め込みは場所の「属性」を記述できても、実際にどのように「使われているか」を表現できないという根本的な課題に対し、Google ResearchとUSCの研究チームが全く新しいアプローチを提示した。その名はMobility-Embedded POIs（ME-POIs）。人間の集合的な移動データをテキストベースの場所埋め込みに折り込むフレームワークであり、言語モデルに場所に対する「より深い理解」をもたらす。
研究チームは論文「Mobility-Embedded POIs」をarXivで公開し、ロサンゼルスとヒューストンの実際の移動データを用いた5つの地図補完タスクにおいて顕著な性能向上を確認している。特に、テキストのみの強力なエンコーダと組み合わせた場合、訪問意図のF1スコアで最大81.9%の向上、混雑度のMAE（平均絶対誤差）で24.7%の低減を達成した。
ME-POIsの核心は、各訪問を文脈化されたベクトルとして符号化し、コントラスティブ・ラーニング（対照学習）によって各訪問をPOIごとの学習可能なプロトタイプに引き寄せる点にある。このプロトタイプは、個々のユーザーのスケジュールを平均化した機能的な重心として機能する。すなわち、言語モデルが記述する「場所の名前」ではなく、人々の「行動のパターン」を場所の表現に組み込むのである。
ME-POIsが解決する問題：テキストだけでは捉えられない「機能」
従来のテキスト埋め込みは、場所のカテゴリ、名称、住所、周辺のランドマークといった静的な情報をベクトル化する。しかし、これらは「その場所が何であるか」を教えてくれるだけで、「どのように使われているか」は教えてくれない。同じカテゴリのコーヒーショップでも、早朝の通勤客で回転率の高い店と、午後から長時間滞在する客で賑わう店では、その性質は大きく異なる。テキストだけではこの違いを埋め込みに反映できない。
ME-POIsはこの問題に立ち向かうため、携帯電話の位置情報などから得られる匿名化された訪問ログ（座標、到着時間、出発時間）を利用する。各訪問は3つの要素から構成されるトリプルとして扱われ、位置情報にはマルチスケールなSpace2Vec、到着時間と出発時間にはそれぞれTime2Vecエンコーダが適用される。これらのベクトルを連結した後、正弦波位置エンコーディングを付加し、4層8ヘッドのTransformer（d_h=512）を通過させることで、文脈化された訪問埋め込みが生成される。
フレームワークの仕組み：コントラスティブ・ラーニングとロングテール対策
コアとなる学習目標はInfoNCE損失である。各POIは1つの学習可能なプロトタイプベクトルを保持し、同じPOIの訪問埋め込みはそのプロトタイプに近づけられ、ミニバッチ内の他のPOIのプロトタイプからは遠ざけられる。これにより、プロトタイプはその場所の機能的な中心となり、個人の行動パターンの多様性を吸収する。
しかし、現実のデータは極めてスパースである。ロサンゼルスのPOIのうち、アンカースレッショルド（総訪問数100回）をクリアしたのはわずか9.07%で、ヒューストンでは7.04%（50回）に過ぎない。このロングテール問題に対処するため、ME-POIsは3つのバンド幅（0.3km、1.0km、3.0km）のガウシアンカーネルを計算し、アンカーPOIの訪問ヒストグラムをスパースなPOIに転送する。そして、KLダイバージェンス項を用いてスパースな埋め込みがその事前分布を予測するように強制する。
さらに、テキスト埋め込みとのアライメントも行われ、座標、カテゴリ、住所、そして距離と方角を含む直近10のPOI情報をプロンプトとして、投影されたテキスト埋め込みとのコサイン類似度を最大化する。
驚異的な性能向上：訪問意図で81.9%向上、混雑度MAEは24.7%削減
評価は、ロサンゼルス（39,557 POI、690万訪問、2019年フルイヤー）とヒューストン（28,419 POI、715,604訪問、2020年3月の20日間）の2つの匿名化移動データセットを用いて行われた。5つの地図補完タスク（営業時間、訪問意図、価格帯、混雑度、閉店検出）に対し、凍結された埋め込みをプローブとして線形分類器を学習する方式だ。
結果は圧倒的だった。ロサンゼルスでは、35のモデル-タスクペアのうち34で改善が確認された。主な相対的な向上率は以下の通り：
- 週間営業時間（F1）：OpenAI-largeで16.2%向上
- 訪問意図（F1）：Geminiで最大81.9%向上
- 永久閉店検出（F1）：E5で6.5%向上
- 混雑度（MAE）：Geminiで24.7%削減（値が低いほど良好）
- 価格帯（Accuracy）：GTR-T5で75.1%向上
特に注目すべきは、テキストとのアライメントを行わず、移動データのみで学習したバリアントの性能だ。ロサンゼルスの価格帯分類において、移動データのみのモデルは精度0.600を達成し、Geminiのテキスト埋め込み（0.559）を上回った。これは、個人の行動パターンという集合知が、その場所をラベリングするために使われる言葉そのものよりも、場所の特性を正確に反映することを示している。
実用性と導入障壁：コード非公開、データが鍵
現時点では、Google Researchは論文と技術ブログを公開しているが、コードや重みは公開していない。モデル自体は約5370万パラメータと比較的小規模で、1台のNVIDIA Tesla V100 16GBで事前学習が可能なため、計算リソースのハードルは低い。真の障壁はデータである。商用のフットトラフィックデータ、または自社の訪問ログとPOIポリゴンを必要とするため、ライセンスやプライバシー上の課題が実用化の鍵を握る。
フレームワークとして再構築する必要がある点も留意すべきである。ダウンロードしてすぐに使える既製のモデルではなく、自前のデータに適用するための設計図と位置づけられる。
場所理解のパラダイムシフトへ
ME-POIsは、言語モデルが「場所」を理解する方法にパラダイムシフトをもたらす可能性を秘めている。単なるカテゴリや住所の羅列ではなく、人々の行動パターンを埋め込むことで、よりリッチで機能的な場所の表現が可能になる。例えば、Googleマップが「このカフェはランチ時に混み合います」といったレコメンデーションを、単なるレビューの集計ではなく、実際の訪問データに基づいて提供できるようになるかもしれない。
現時点では研究段階だが、将来的にコードが公開されれば、地図サービス、位置情報広告、都市計画、交通分析など、多様な分野での応用が期待される。テキストだけでは捉えきれなかった「場所の体温」を、移動データという形で言語モデルに伝える――その試みは、AIによる空間理解の新たな地平を切り開くものと言えるだろう。
