AAAI 2026 | 从地理可达，到兴趣匹配：快手LGSID助力业务GMV实现双位数增长

本文针对生活服务推荐场景中用户决策受地理位置强约束的挑战，提出了一种名为LGSID的地理模态表征建模解决方案。研究背景是传统推荐方法难以有效融合用户兴趣与空间距离信息，导致转化效率低下。研究目的是通过引入大语言模型（LLM）对项目进行文本与地理语义的联合偏好建模，并设计基于强化学习的后训练范式（G-DPO算法）来增强LLM的地理感知能力，同时提出层次化地理感知量化方案（HGIT）以适配“先地理可达，再兴趣匹配”的业务逻辑。结论表明，LGSID方案在快手生活服务场景全量上线后，显著提升了判别式和生成式推荐模型的性能，助力业务GMV和订单实现超过10%的增长，并通过实验验证了其在细粒度地理位置感知和语义保持方面的有效性。