공간에 대한 추론: LLM 기반 생성형 다음 POI 추천을 위한 지리적 추론 구현

Reasoning Over Space: Enabling Geographic Reasoning for LLM-Based Generative Next POI Recommendation

대형 언어 모델(LLM)을 활용한 생성형 추천은 예측을 시퀀스 생성 문제로 재정의했으나, 기존의 LLM 기반 추천 모델들은 이동성 및 로컬 서비스 시나리오에서 필수적인 지리적 신호를 활용하는 데 여전히 한계가 있다. 이에 본 논문에서는 지리 정보를 추론 과정의 핵심 의사결정 변수로 활용하는 프레임워크인 '공간에 대한 추론(Reasoning Over Space, ROS)'을 제안한다. ROS는 거시적 지역성에서 미세 지역성으로 이어지는 정보와 POI 의미론을 구성 토큰으로 이산화하는 계층적 공간 의미 ID(SID)를 도입한다. 또한, 사용자 성향 모델링, 의도에 부합하는 후보 공간 구성, 지역성 기반 가지치기(pruning)를 수행하는 3단계 이동성 '생각의 사슬(Chain-of-Thought, CoT)' 패러다임을 LLM에 적용한다. 더 나아가 공간 유도 강화 학습(RL)을 통해 모델을 실제 지리 환경과 정렬시킨다. 널리 사용되는 3가지 위치 기반 소셜 네트워크(LBSN) 데이터셋을 이용한 실험 결과, ROS는 더 작은 백본 모델을 사용했음에도 불구하고 최상위 LLM 기반 베이스라인 모델 대비 적중률(Hit Rate)에서 10% 이상의 상대적 성능 향상을 달성했으며, 도시 간 전이(cross-city transfer) 성능 또한 개선된 것으로 나타났다.

Generative recommendation with large language models (LLMs) reframes prediction as sequence generation, yet existing LLM-based recommenders remain limited in leveraging geographic signals that are crucial in mobility and local-services scenarios. Here, we present Reasoning Over Space (ROS), a framework that utilizes geography as a vital decision variable within the reasoning process. ROS introduces a Hierarchical Spatial Semantic ID (SID) that discretizes coarse-to-fine locality and POI semantics into compositional tokens, and endows LLM with a three-stage Mobility Chain-of-Thought (CoT) paradigm that models user personality, constructs an intent-aligned candidate space, and performs locality informed pruning. We further align the model with real world geography via spatial-guided Reinforcement Learning (RL). Experiments on three widely used location-based social network (LBSN) datasets show that ROS achieves over 10% relative gains in hit rate over strongest LLM-based baselines and improves cross-city transfer, despite using a smaller backbone model.