小红书精读：GeoGR: Enabling Spatio-Temporal Aware Industrial-scale Generative POI Recommendations

高德POI生成式推荐，CTR涨5.55%

各位算法同学们，POI推荐还没卷完？高德这篇直接把生成式推荐搬进导航场景，线上CTR涨了5.55%——不是刷点，是跑了三个月的真实A/B。看完你会明白，SID构建的姿势，可能比模型结构更决定上限。

📄 GeoGR: Enabling Spatio-Temporal Aware Industrial-scale Generative POI Recommendations（AMAP, Alibaba Group）

🔧 它首先把地理先验直接焊进SID构建：用地理约束下的共访POI对做对比学习，让跨类别协作关系（比如机场-酒店-停车场）能被显式建模，而不是只靠文本描述猜语义。 🧩 接着用RQ-Kmeans把POI表示离散化成层级SID，再用EM式迭代细化。这套流程让离散ID既紧凑又稳定，长尾POI不至于因为稀疏就学成乱码。 ⚙️ LLM训练也分了两步：先拿文本+SID混合语料做continued pre-training，把“外来token”对齐到底座LLM的语义空间，再做行为序列的SFT，让模型自回归生成目标POI的SID。

📊 离线评测在多个真实数据集上超过现有SOTA基线，不是那种勉强打平。 📈 高德平台线上跑了三个月，服务数百万用户，WINRATE提升2.91%。 ✅ PV_CTR提升5.55%，而且多场景增益一致，说明不是单一流量入口的偶然。

总结一句：这套方案的价值不在于“用LLM做推荐”本身，而是把地理协作信号从特征工程搬到了ID表示层，让生成式模型天生带空间感。落地坑也明显：SID构建和两阶段训练都不便宜，数据稀疏时EM迭代容易不稳。想上车的团队建议先盯离线召回和线上CTR的绝对值，别被相对涨点冲昏头。

原文：AlphaXiv