空间推理：为基于 LLM 的生成式下一 POI 推荐赋能地理推理
人工智能
2026-04-22 v2
摘要
基于大型语言模型(LLM)的生成式推荐将预测重构为序列生成，然而现有的基于 LLM 的推荐器在利用地理信号方面仍然受限，而地理信号在出行和本地服务场景中至关重要。在此，我们提出了空间推理(Reasoning Over Space, ROS)，一个将地理作为推理过程中关键决策变量的框架。ROS 引入了分层空间语义 ID(SID)，将由粗到细的局部性和 POI 语义离散化为组合 token，并赋予 LLM 三阶段的出行思维链范式，该范式对用户个性进行建模，构建意图对齐的候选空间，并执行基于局部性的剪枝。我们进一步通过空间引导的强化学习(RL)将模型与真实世界地理对齐。在三个广泛使用的基于位置的社交网络(LBSN)数据集上的实验表明，尽管使用了更小的骨干模型，ROS 相比最强的基于 LLM 的基线在命中率上实现了超过 10% 的相对提升，并改善了跨城市迁移能力。
引用
@article{arxiv.2601.04562,
title = {Reasoning Over Space: Enabling Geographic Reasoning for LLM-Based Generative Next POI Recommendation},
author = {Dongyi Lv and Qiuyu Ding and Heng-Da Xu and Zhaoxu Sun and Zhi Wang and Feng Xiong and Mu Xu},
journal= {arXiv preprint arXiv:2601.04562},
year = {2026}
}