我们真的需要SFT吗？基于知识图谱的提示即策略冷启动下一个POI推荐
社会与信息网络
2026-01-22 v2
摘要
下一个兴趣点（POI）推荐是智能城市服务的关键组件，但在冷启动条件下，由于用户-POI交互稀疏，仍具有挑战性。近期基于大语言模型（LLM）的方法通过监督微调（SFT）或上下文学习（ICL）解决此问题，但SFT成本高且易对活跃用户过拟合，而ICL中的静态提示缺乏对多样化用户上下文的适应性。我们认为主要限制不在于LLM推理能力，而在于上下文证据的构建与呈现方式。为此，我们提出了基于知识图谱（KG）的提示即策略（Prompt-as-Policy）框架，将提示构建表述为可学习的决策过程，同时保持LLM冻结作为推理引擎。为实现结构化提示优化，我们将异构用户-POI信号组织为知识图谱，并将挖掘的关系路径转换为证据卡，作为提示组合的原子语义单元。上下文多臂赌博机学习器随后优化提示策略，自适应地决定（i）包含哪些关系证据，（ii）每个候选POI保留多少证据，以及（iii）如何在提示中组织和排序它们。在三个真实数据集上的实验表明，Prompt-as-Policy持续优于最先进基线，在非活跃用户上Acc@1平均相对提升11.87%，同时保持对活跃用户的竞争力性能，且无需任何模型微调。
引用
@article{arxiv.2510.08012,
title = {Do We Really Need SFT? Prompt-as-Policy over Knowledge Graphs for Cold-start Next POI Recommendation},
author = {Jinze Wang and Lu Zhang and Yiyang Cui and Tiehua Zhang and Zhishu Shen and Yuze Liu and Xingjun Ma and Jiong Jin},
journal= {arXiv preprint arXiv:2510.08012},
year = {2026}
}