Cognitive-Aligned Spatio-Temporal Large Language Models For Next Point-of-Interest Prediction

文章总结与翻译

一、主要内容

本文针对下一代兴趣点（POI）预测任务，提出了一种认知对齐的时空大语言模型框架CoAST（Cognitive-Aligned Spatial-Temporal LLMs）。该任务旨在基于用户偏好和历史签到记录预测其即时下一个目的地，对基于位置的服务（LBS）具有重要价值。

现有大语言模型（LLMs）在推荐系统中虽展现潜力，但存在原生缺乏地理实体和时序移动模式理解、难以融合世界知识与人类认知偏好等问题。CoAST通过两阶段核心流程解决这些挑战：

1. 推荐知识获取：基于脱敏用户的富集时空轨迹数据进行持续预训练，将POI转换为语义ID（SIDs）并融入地理编码信息，使模型掌握复杂用户行为模式；
2. 认知对齐：通过监督微调（SFT）和强化学习（RL，采用直接偏好优化DPO），利用含人类认知的训练数据校准模型，使其输出符合人类直觉。

此外，为实现工业级部署，CoAST采用预填充-解码解耦、多令牌预测等推理优化策略，平衡性能与效率。离线实验（基于FoursquareNYC、Gowalla-CA等公开数据集及高德北京专有数据集）和在线A/B测试（部署于高德“猜你想去”功能）验证了其有效性，在线长期测试中P-CTR和U-CTR分别提升4.23%和4.59%。

二、创新点

1. 提出首个面向下一代POI预测的通用LLM认知对齐框架，首次明确将人类认知偏好（时序一致性、空间聚集性、用户画像匹配、情境感知）量化为可计算指标，填补了现有