时空感知生成推荐模型：面向大规模在线POI推荐的Spacetime-GR
信息检索
2025-08-25 v1 人工智能
摘要
在强大的序列建模能力基础上,生成式推荐(GR)逐渐在推荐任务(如视频和商品推荐)中占据主导地位。然而,在用户偏好受时空变化显著影响的点兴趣(POI)推荐中,生成式推荐的应用仍是一个充满挑战的开放问题。本文提出Spacetime-GR,第一个时空感知的大规模在线POI推荐生成模型。它通过引入灵活的时空信息编码,扩展了生成模型的强大序列建模能力。具体而言,我们首先引入地理感知的分层POI索引策略,以解决大词汇表建模的挑战。随后,引入新颖的时空编码模块,将时空上下文无缝融入用户行为序列,从而增强模型对时空变化的敏感性。此外,我们采用多模态POI嵌入丰富每个POI的语义理解。最后,为便于实际部署,我们开发了一套在足够预训练行为序列后的后训练适应策略。这些策略使Spacetime-GR能够以多种格式生成输出(即嵌入、排序分数和POI候选人),支持广泛的下游应用场景(即排序和端到端推荐)。我们在公共基准数据集和大规模工业数据集上对所提模型进行评估,在POI推荐准确率和排序质量方面优于现有方法。该模型是首个在规模达数亿POI和用户的在线POI推荐服务中部署的生成模型。
引用
@article{arxiv.2508.16126,
title = {Spacetime-GR: A Spacetime-Aware Generative Model for Large Scale Online POI Recommendation},
author = {Haitao Lin and Zhen Yang and Jiawei Xue and Ziji Zhang and Luzhu Wang and Yikun Gu and Yao Xu and Xin Li},
journal= {arXiv preprint arXiv:2508.16126},
year = {2025}
}