University of Amsterdam
Amazon02 3.55
LRSA: LLM-RecSys alignment for time-specific next POI recommendation.
Shanghai University
针对下一兴趣点推荐中 ID 行为偏好与大模型文本知识存在语义鸿沟的问题，LRSA 先筛选高影响轨迹微调大模型，再以旋转对齐把用户偏好和 LLM token 映射到统一空间，并通过分层提示融合轨迹与地点文本。在 NYC、TKY、Gowalla 上，Acc@1 相对最新 ID/LLM 方法平均提升 24.39%/9.93%，NDCG@5 提升 25.26%/12.79%。
INSIGHT该方法表明，LLM 接入个性化排序的瓶颈往往不是模型知识不足，而是行为 ID 空间与语言空间没有对齐。社区搜推可借鉴“高价值序列采样—轻量旋转映射—分阶段提示学习”的渐进路径，把短文本语义注入既有用户序列模型；但 POI 的时空先验较强，迁移前应在 UGC 点击序列上重做消融与延迟评估。
Jinhui Zhu, Xiangfeng Luo, Xin Yao, Xiao Wei
DOI·2026-01-01·Relevance 4 · Novelty 4 · Practical 3 · Evidence 4 · Timely 2
UQ
Griffith University