论文
空间推理：为基于 LLM 的生成式下一兴趣点（POI）推荐启用地理推理
Reasoning Over Space: Enabling Geographic Reasoning for LLM-Based Generative Next POI Recommendation
摘要
基于大语言模型（LLM）的生成式推荐将预测重构为序列生成，但现有基于 LLM 的推荐器在利用地理信号方面仍然不足，而地理信号在出行与本地服务场景中至关重要。本文提出 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 引入层级空间语义 ID（SID），将由粗到细的位置与 POI 语义离散化为可组合的 token，并赋予 LLM 三阶段的移动性思维链（CoT）范式：刻画用户个性、构建与意图对齐的候选空间、执行结合位置信息的剪枝。我们还通过空间引导的强化学习（RL）使模型与现实世界地理对齐。在三个广泛使用的基于位置社交网络（LBSN）数据集上的实验表明，ROS 的命中率相对最强的基于 LLM 的基线取得超过 10% 的相对提升，并改善了跨城市迁移，尽管其使用的骨干模型更小。
