MILES-Rec：用用户交互反馈强化优化地图服务意图查询

地图应用连接日常出行与本地服务，能够通过识别用户隐含意图来推荐地点。然而，以实用任务为导向的地图交互，只为消费需求提供间接而不完整的证据，难以从观察到的行为推断个性化服务需要。我们提出MILES-Rec，一个跨领域兴趣点（POI）推荐框架，从异构地图行为中推断潜在服务意图，并表达为有优先级的自然语言查询。框架首先从逐步推理示范中学习：综合用户画像与地图历史，理解情境、扩展意图并排列查询优先级。随后引入意图对齐的组相对策略优化，以后续用户交互奖励查询相关性和排序后服务的覆盖，同时惩罚冗余与过长回答。两级信用分配机制结合共享列表级优势和查询级优势，协调单个查询质量与完整查询列表的互补覆盖。我们还从大规模地图平台的真实用户交互日志构建MILES-Bench，支持在丰富或稀疏行为历史下跨服务训练和评价。与通用LLM及专用推荐基线的广泛实验表明，框架在POI检索效用、服务匹配和语义对齐上更好，并在四种骨干规模上持续受益于行为策略优化。