小红书精读：H2CE: Modeling Geo-Semantic Interactions for POI Reranking with Heterogeneous Two-Stage Cross-Encoders

别急着上LLM：POI重排提22个点🔍

各位算法同学们，先说个反直觉的：在本地搜索的POI重排里，一个零样本LLM重排器被一个两阶段cross-encoder拉开了35.89个点。这篇CIKM’26论文讨论的正是”距离近但语义不太对”和”语义准但远一点”这类用标量加权解决不了的排序问题。

📄 H2CE: Modeling Geo-Semantic Interactions for POI Reranking with Heterogeneous Two-Stage Cross-Encoders

🔧 数值属性走两条路：分桶后的自然语言描述（walkable、near、excellent）塞进cross-encoder输入，让attention能对”近”“好吃”这类粗粒度概念做条件化匹配；精确标量交给专用MLP，保住数值大小信息不被分桶抹平。

🧩 融合不再是语义分和数值分的加权和，而是把CLS向量和数值embedding在隐空间做聚合，非线性交互因此能表达”走路距离类query距离权重大、best类query评分权重大”。

⚙️ 两阶段：Stage1对全部候选pointwise打分做粗排过滤，Stage2只对top-K做两两对比，用Copeland聚合出最终顺序，pairwise成本从O(N²)压到O(N+K(K-1))，论文里K取10。

📊 5,743条query的本地搜索测试集上，NDCG@5达到67.48%，比XGBoost LTR绝对提升+22.82%。

📈 比零样本LLM重排器RankGPT高+35.89%，比做过本地搜索微调的BGE reranker高+9.62%。

✅ RDQ@5为60.77%，比XGBoost绝对+20.96%；只看pairwise阶段，比纯pointwise版本再涨+1.98% NDCG@5。

🧪 消融覆盖数值特征、隐空间聚合、top-K pairwise和对齐训练，这几块都不是装饰。

总结一句：如果你在做本地搜索或重排、又卡在延迟预算上，这套”语义+数值双通道、top-K两两比较”的结构可以照着搭，但要盯两件事——K太小的话Stage1漏掉的好候选Stage2救不回来，分桶边界也得按自己业务的距离分布重调。另外它的基准是XGBoost和微调BGE，不是最强LLM listwise，别把结论外推太多。

原文：AlphaXiv