标题： 从时间和地点到偏好：推荐中的LLM驱动地理时间上下文 显示英文标题

标题： From Time and Place to Preference: LLM-Driven Geo-Temporal Context in Recommendations

摘要： 大多数推荐系统将时间戳视为数值或周期性值，忽略了现实世界中的上下文，如节假日、事件和季节性模式。 我们提出了一种可扩展的框架，使用大型语言模型（LLMs）仅从时间戳和粗略位置生成地理时间嵌入，捕捉节假日、季节性趋势和本地/全球事件。 然后，我们引入了一个地理时间嵌入信息性测试作为轻量级诊断工具，展示了在MovieLens、LastFM和一个生产数据集上，这些嵌入提供了与完整模型集成结果一致的预测信号。 通过（1）与元数据嵌入直接特征融合或（2）一个强制语义和地理时间对齐的辅助损失，将地理时间嵌入整合到序列模型中。 我们的研究结果强调了自适应或混合推荐策略的必要性，我们发布了一个上下文增强的MovieLens数据集以支持未来的研究。 显示英文摘要

摘要： Most recommender systems treat timestamps as numeric or cyclical values, overlooking real-world context such as holidays, events, and seasonal patterns. We propose a scalable framework that uses large language models (LLMs) to generate geo-temporal embeddings from only a timestamp and coarse location, capturing holidays, seasonal trends, and local/global events. We then introduce a geo-temporal embedding informativeness test as a lightweight diagnostic, demonstrating on MovieLens, LastFM, and a production dataset that these embeddings provide predictive signal consistent with the outcomes of full model integrations. Geo-temporal embeddings are incorporated into sequential models through (1) direct feature fusion with metadata embeddings or (2) an auxiliary loss that enforces semantic and geo-temporal alignment. Our findings highlight the need for adaptive or hybrid recommendation strategies, and we release a context-enriched MovieLens dataset to support future research.