SPAR：通过真实世界的空间感知增强工业规模的生成式 POI 推荐

生成式兴趣点 (POI) 推荐，可自动生成目标 POI 的语义 ID (SID)，为基于位置的服务带来了巨大的希望，其中只有当用户可以到达时，推荐才有帮助。然而，现有方法在由行为序列和协作信号定义的兴趣空间内运行，其中地理仅作为 SID 的文本属性进入，没有留下明确的机制来学习或保留城市地点如何通过距离、方向和可达性相关联；因此，他们的预测在行为上是合理的，但与用户的实时位置相去甚远。我们认为，此类服务需要将真实的城市空间知识注入兴趣空间，而不是仅从行为推断地理。因此，我们提出了SPAR，一个统一的框架，它的三个协同阶段共同构建、培养和保存城市空间知识：（1）在标记化层面，空间内在SID（SI-SID）显式地将经纬度坐标编码为正弦地理空间嵌入，并将其与文本语义嵌入融合，通过RQ-Kmeans生成同时在语义和地理上一致的标识符； (2) 在认知层面，多粒度地理空间 CPT (MG-CPT) 在 25 个精心策划的地理空间数据集上不断对基础 LLM 进行预训练，这些地理空间数据集分为基本属性、成对关系和城市规模导航三层，从而使分散的 POI 凝聚成一个互联的城市空间； （3）在适应层面，任务向量锚定SFT（TV-SFT）将获得的空间知识锚定为冻结参数空间任务向量，以防止其在行为微调期间发生灾难性遗忘，从而融合两个空间。对两个公共数据集和四个工业规模数据集进行的广泛定量和可视化实验证明了 SPAR 的有效性。