通过 LLM 驱动的生成解开本地生活服务推荐的可解释表示

虽然 大语言模型 (LLM) 通过语义 ID (SID) 建模实现了基于 ID 的高级推荐，但现有的 SID 生成框架在很大程度上遵循单一表示然后量化的范例。这种设计面临两个瓶颈：语义纠缠混合了地理、品牌、品类等异构属性，导致量化过程中信息丢失、SID质量低下、碰撞严重；此外，黑盒表示学习既不提供明确的属性语义，也不提供 SID 位置的明确地理或语义含义。这些限制削弱了检索可靠性以及诊断或控制 SID 生成的能力。我们通过 LLM 驱动的本地生活服务推荐生成解耦（LGRID）提出可解释表示。 LGRID 通过编码 -> 解缠 -> 对齐 -> 量化管道引入了生成解缠范例。它首先使用联合 LLM 编码来保留跨属性地理语义依赖性，而不是独立编码字段。然后，结构化解缠结块将隐藏状态路由到地理和语义因素的属性对齐槽中。协同对齐学习使这些槽既可生成解码又可区分检索，而双流残差量化则分别将两个流离散成具有明确属性对应关系的紧凑 SID。此设计生成可解释的 SID，其位置基于项目属性和本地服务语义。在快手和 Foursquare 上的实验表明，LGRID 始终优于强大的 SID 基线，实现了高达 5.44% 的相对 AUC 增益。它还实现了粗略地理字段超过 99% 的属性解码准确率，并将 full-SID 冲突率降低至 39.9%，而 LGSID 冲突率为 97.0%。