认知对齐的时空大语言模型用于下一兴趣点预测
人工智能
2025-10-17 v1
摘要
下一兴趣点(POI)推荐任务旨在根据用户偏好与历史签到记录预测其即将前往的下一目的地,在基于位置的服务中具有重要价值。近年来,大语言模型(LLM)在推荐系统中展现出巨大潜力,通常以生成式方式处理下一 POI 预测任务。然而,这些主要在大规模非结构化文本语料上预训练的 LLM,缺乏对下一 POI 预测任务所需的结构化地理实体与序列出行模式的原生理解。此外,在工业级 POI 预测应用中,融入世界知识并对齐人类认知(如季节、天气、节假日以及用户画像——包括习惯、职业与偏好等),可在提升推荐性能的同时改善用户体验。为解决上述问题,我们提出 CoAST(认知对齐的时空大语言模型),该框架以自然语言作为接口,便于融合世界知识、时空轨迹模式、用户画像与情境信息。具体而言,CoAST 主要包含两个阶段:(1) 推荐知识获取——在脱敏用户的富化时空轨迹数据上继续预训练;(2) 认知对齐——通过监督微调(SFT)以及随后的强化学习(RL)阶段,使模型认知判断与人类偏好对齐。在多个真实数据集上的离线实验以及部署于高德地图 App 首页"猜你想去"的在线实验,均验证了 CoAST 的有效性。
引用
@article{arxiv.2510.14702,
title = {Cognitive-Aligned Spatio-Temporal Large Language Models For Next Point-of-Interest Prediction},
author = {Penglong Zhai and Jie Li and Fanyi Di and Yue Liu and Yifang Yuan and Jie Huang and Peng Wu and Sicong Wang and Mingyang Yin and Tingting Hu and Yao Xu and Xin Li},
journal= {arXiv preprint arXiv:2510.14702},
year = {2025}
}
备注
12 pages, 5 figures