跳转至

Guess Where You Go: Generative Next Point-of-Interest Recommendation in Amap

保真度：核心机制复现。原文结论、本地公开数据实验和未复刻部分分开陈述。

论文信息

项目 内容
论文链接 arXiv 2607.26073
公司/机构 Amap / Alibaba
首次公开日期 2026-07-13（arXiv v1）
原文开源代码 是：SimCIT
Adapter guess-where-you-go
本地复现代码 src/auto_research/reproductions/guess_where_you_go/

原始论文总结

背景与主要改动

把下一 POI 编成 Semantic ID 序列，并用时空特征、课程式预训练/SFT 与 EAKTO 强化优化长周期用户反馈。

flowchart LR
 A["时空历史与 SID"] --> B["CPT/SFT"] --> C["EAKTO 下一 POI"]

原论文关键图

Guess Where You Go: Generative Next Point-of-Interest Recommendation in Amap 原论文 Figure 1

原论文 Figure 1（关键图）：展示原论文提出的核心架构、主要模块及其连接关系。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

\[ J=J_{SFT}+\lambda\mathbb E[A(s,a)\log\pi_\theta(a|s)] \]

论文离线与线上效果

原文的主要线上证据为 P-CTR +5.83%（one-month A/B）。论文离线表与线上指标使用私有或论文指定口径，不能与下面的 MovieLens 数字直接比较。

本地复现

本地对照口径：基线为共享 transition + content scorer；实验组在相同用户、物品、全库候选和 seed 上只加入 guess-where-you-go 核心机制，相对 NDCG@10 +9.38%。

MovieLens-100K、220 users / 360 items、seed 42：NDCG@10 0.0540 → 0.0591（+9.38%），Hit@10 0.1091 → 0.1045。验证集只用于选择机制混合权重，测试集没有参与调参。

auto-research reproduce --paper guess-where-you-go --dataset-dir data --seed 42

固定指标见 metrics/public-seed42.json。

复现边界

在 MovieLens-100K 固定全库候选、相同切分和 seed 上执行论文核心机制；公司私有特征、生产基础模型与在线流量不可公开，论文 A/B 数字仅作原文引用。 本地实现执行了独立的模型状态和打分路径；它不是把论文名映射到同一个加权公式。未复刻项见 adapter 的 omitted_core_components，本地相对变化不得与原文 A/B 提升混写。