Why Users Go There: World Knowledge-Augmented Generative Next POI Recommendation

📄 arXiv: 2605.11807v1 📥 PDF

作者: Qiuyu Ding, Heng-Da Xu, Wei Zhang, Dongyi Lv, Changda Xia, Feng Xiong, Mu Xu

分类: cs.AI

发布日期: 2026-05-12

💡 一句话要点

提出AWARE，利用LLM增强POI推荐，解决模型知识固化问题。

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

关键词: POI推荐 大型语言模型 知识增强 上下文感知 用户行为建模

📋 核心要点

  1. 现有基于LLM的POI推荐模型知识固化，无法感知影响用户移动决策的实时世界变化。
  2. AWARE利用LLM agent生成位置和时间感知的上下文叙述，融入区域文化、季节趋势和实时事件。
  3. 实验表明，AWARE在三个数据集上均优于基线模型，相对提升高达12.4%。

📝 摘要（中文）

本文提出了一种基于LLM的生成式POI推荐模型AWARE（Agent-based World knowledge Augmented REcommendation），旨在解决现有模型知识固化的问题。AWARE利用LLM agent生成位置和时间感知的上下文叙述，捕捉区域文化特征、季节性趋势和与用户相关的事件。该方法将外部世界知识锚定在用户个性化的时空行为模式中，避免引入通用或噪声信息。在三个真实世界数据集上的实验表明，AWARE始终优于竞争基线，实现了高达12.4%的相对改进。

🔬 方法详解

问题定义：现有基于大型语言模型（LLM）的生成式POI推荐模型，虽然在将POI预测转化为序列生成任务方面表现出潜力，但其编码的知识在训练后是固定的。这意味着模型无法感知不断演变的真实世界条件，例如本地事件和文化趋势，而这些因素会影响用户的移动决策。因此，如何使模型能够动态地融入外部世界知识，成为了一个关键问题。

核心思路：AWARE的核心思路是利用LLM agent来生成与用户相关的、位置和时间感知的上下文叙述。这些叙述捕捉了区域文化特征、季节性趋势以及正在发生的事件，从而为模型提供动态的外部世界知识。通过将这些叙述锚定在用户的行为上下文中，AWARE能够将外部知识与用户的个性化时空模式相结合，避免引入通用或噪声信息。

技术框架：AWARE的整体框架包含以下几个主要模块：1) 用户行为序列输入；2) LLM agent，负责生成位置和时间感知的上下文叙述；3) 将生成的叙述与用户行为序列进行融合；4) 利用融合后的信息进行下一个POI的预测。该框架的关键在于LLM agent的设计和上下文叙述的融合方式。

关键创新：AWARE最重要的技术创新点在于其利用LLM agent生成上下文叙述，并将这些叙述与用户的行为模式相结合。与现有方法相比，AWARE能够动态地融入外部世界知识，并将其个性化地应用于每个用户。这种方法避免了引入通用或噪声信息，从而提高了推荐的准确性。

关键设计：AWARE的关键设计包括：1) LLM agent的prompt设计，需要能够引导agent生成与位置、时间和用户相关的叙述；2) 上下文叙述的融合方式，需要有效地将叙述与用户行为序列相结合，例如使用注意力机制；3) 损失函数的设计，需要能够优化模型对下一个POI的预测。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

在三个真实世界数据集上的实验结果表明，AWARE始终优于竞争基线。具体而言，AWARE在POI推荐任务上实现了高达12.4%的相对改进。这些结果证明了AWARE能够有效地融入外部世界知识，并提高推荐的准确性。

🎯 应用场景

AWARE可应用于各种基于位置的服务，例如旅游推荐、城市规划和交通管理。通过融入实时世界知识，AWARE能够提供更准确、个性化的推荐，提升用户体验。此外，该方法还可以用于分析用户行为与外部事件之间的关系，为商业决策提供支持。

📄 摘要（原文）

Generative point-of-interest (POI) recommendation models based on large language models (LLMs) have shown promising results by formulating next POI prediction as a sequence generation task. However, the knowledge encoded in these models remains fixed after training, making them unable to perceive evolving real-world conditions that shape user mobility decisions, such as local events and cultural trends. To bridge this gap, we propose AWARE (Agent-based World knowledge Augmented REcommendation), which employs an LLM agent to generate location- and time-aware contextual narratives that capture regional cultural characteristics, seasonal trends, and ongoing events relevant to each user. Rather than introducing generic or noisy information, AWARE further anchors these narratives in each user's behavioral context, grounding external world knowledge in personalized spatial-temporal patterns. Extensive experiments on three real-world datasets demonstrate that AWARE consistently outperforms competitive baselines, achieving up to 12.4% relative improvement.