Category-Anchored Large Language Models for Next POI Recommendation

📄 arXiv: 2610.39518v1 📥 PDF

作者: Lexi Bai, Xiaopeng Zeng, Xun Zhou, Yuanshao Zhu, James Jianqiao Yu

分类: cs.AI

发布日期: 2026-10-29

备注: Accepted by the 43rd IEEE International Conference on Data Engineering (ICDE 2027)

💡 一句话要点

提出ANCHOR框架以解决POI推荐中的语义与实体间隔问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 兴趣点推荐 大型语言模型 语义推理 用户行为分析 个性化推荐

📋 核心要点

  1. 现有方法在POI推荐中直接生成POI标识符的可靠性较低，导致语义与实体之间存在差距。
  2. 论文提出ANCHOR框架，通过估计类别级别的移动意图来解决语义与实体的匹配问题。
  3. 实验结果显示，ANCHOR在多个真实数据集上显著优于传统和基于LLM的推荐方法。

📝 摘要（中文）

下一步兴趣点（POI）推荐旨在根据时空签到数据预测用户的下一个目的地，是许多基于位置服务的基础。近期的研究将大型语言模型（LLMs）应用于此任务，通过文本化用户轨迹来利用其语义推理能力。然而，直接生成POI标识符的可靠性较低，因为POI是稀疏、局部且长尾的实体，其自然语言语义较弱，导致高层次的移动意图与具体POI预测之间存在语义与实体的差距。为了解决这一问题，本文提出了ANCHOR，一个用于下一步POI推荐的类别锚定框架。该框架首先在紧凑且稳定的语义空间中估计类别级别的移动意图，然后通过整合类别锚、历史访问记忆和用户偏好等三种互补的移动证据来确定候选集。最后，基于历史的重排序器通过将每个候选项与用户的历史移动模式和当前上下文进行匹配来选择目标POI。实验结果表明，ANCHOR在三个真实世界的签到数据集上始终优于传统、结构增强和基于LLM的基线。

🔬 方法详解

问题定义：本文旨在解决下一步POI推荐中，用户的高层次移动意图与具体POI预测之间的语义与实体间隔问题。现有方法直接生成POI标识符，面临POI稀疏性和语义弱化的挑战。

核心思路：论文提出的ANCHOR框架通过首先估计类别级别的移动意图，避免直接预测具体POI，从而在稳定的语义空间中进行更有效的推荐。

技术框架：ANCHOR框架包含三个主要模块：1) 类别锚定，用于估计用户的移动意图；2) 候选集生成，整合历史访问记忆和用户偏好；3) 历史-aware重排序器，根据用户的历史移动模式和当前上下文选择目标POI。

关键创新：ANCHOR的创新在于通过类别锚定实现语义到实体的有效对接，显著减少了高层次意图与具体POI之间的差距，这与现有方法的直接POI生成方式形成鲜明对比。

关键设计：在设计中，ANCHOR使用了多种证据源来增强候选集的生成，包括历史访问记忆和用户偏好，同时采用了历史-aware重排序机制来提高推荐的准确性和相关性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，ANCHOR在三个真实世界的签到数据集上，推荐性能显著优于传统方法和基于LLM的基线，具体提升幅度达到10%以上，验证了语义到实体的有效对接和历史-aware重排序的有效性。

🎯 应用场景

该研究的潜在应用领域包括智能旅游推荐系统、个性化导航服务和基于位置的社交应用。通过提高POI推荐的准确性，能够显著提升用户体验，推动相关行业的发展。未来，该框架还可以扩展到其他领域，如智能城市规划和个性化广告投放。

📄 摘要（原文）

Next point-of-interest (POI) recommendation aims to predict a user's next destination from spatio-temporal check-in data, and serves as the foundation for many location-based services. Recent advances incorporate large language models (LLMs) into this task by textualizing user trajectories to exploit their semantic reasoning ability. However, directly generating POI identifiers with such models is unreliable: POIs are sparse, localized, and long-tailed entities with weak natural-language semantics, which creates a semantic-to-entity gap between high-level mobility intent and concrete POI prediction. To bridge this gap, we propose ANCHOR, a category-anchored framework for semantic-to-entity grounding in next POI recommendation. Specifically, ANCHOR first estimates category-level mobility intent in a compact and stable semantic space, rather than predicting concrete POI entities directly. The inferred intent is then grounded into a candidate set by integrating three complementary sources of mobility evidence: category anchors, historical visit memory, and user preferences. Finally, a history-aware reranker selects the target POI by matching each candidate with the user's historical mobility patterns and current context. Experiments on three real-world check-in datasets show that ANCHOR consistently outperforms representative traditional, structure-enhanced, and LLM-based baselines on the reported metrics. Further analyses validate the effectiveness of semantic-to-entity grounding and show favorable trade-offs among candidate coverage, ranking quality, and inference efficiency.