LLM-POI-Empfehlung: Geografisches Denken steigert Trefferquote um 10 %

Ein neues Forschungsprojekt namens Reasoning Over Space (ROS) zeigt, wie große Sprachmodelle (LLMs) für die Empfehlung von Points of Interest (POIs) deutlich besser werden, wenn sie geografische Informationen aktiv nutzen. Traditionell werden LLM‑basierte Recommender als reine Sequenzgeneratoren betrachtet, wodurch wichtige Standortsignale vernachlässigt werden.

ROS integriert Geografie als entscheidende Variable im Denkprozess. Dazu wird ein Hierarchical Spatial Semantic ID (SID) eingeführt, das Orts- und POI‑Semantik in hierarchische Tokens zerlegt. Das Modell erhält ein dreistufiges Mobility Chain‑of‑Thought‑Paradigma: erst wird die Persönlichkeit des Nutzers modelliert, anschließend wird ein auf die Intention abgestimmter Kandidatenpool aufgebaut und schließlich erfolgt eine standortbasierte Pruning‑Phase.

Um die Empfehlungen noch stärker an die reale Welt anzupassen, nutzt ROS spatial‑guided Reinforcement Learning. In Tests auf drei großen Location‑Based‑Social‑Network‑Datensätzen konnte ROS die Trefferquote um mehr als 10 % gegenüber den stärksten LLM‑basierten Baselines steigern und die Übertragbarkeit zwischen Städten verbessern – und das trotz eines kleineren Grundmodells.