下一地点（POI）推荐旨在根据时空签到数据预测用户的下一个目的地，是众多基于位置服务的核心任务。近期研究尝试将大语言模型（LLM）用于该任务，通过将用户轨迹文本化来利用其语义推理能力。然而直接让 LLM 生成 POI 标识不可靠，因为 POI 本身稀疏、地域化且呈长尾分布，缺乏自然语言语义，这导致移动意图的高层语义与具体 POI 之间存在语义‑实体鸿沟。为弥合此鸿沟，本文提出 ANCHOR 框架，实现语义到实体的锚定。首先，ANCHOR 在紧凑且稳定的语义空间中估计类别层面的移动意图，而非直接预测具体 POI。随后，利用三类互补的移动证据——类别锚点、历史访问记忆和用户偏好——将意图映射到候选集合。最后，历史感知重排序器通过匹配每个候选与用户的历史移动模式及当前上下文，选出目标 POI。实验在三个真实签到数据集上进行，结果表明 ANCHOR 在所有评估指标上持续优于传统、结构增强以及基于 LLM 的基线。进一步分析验证了语义‑实体锚定的有效性，并展示了候选覆盖率、排序质量与推理效率之间的良好平衡。
点评：ANCHOR 通过先估计类别意图再进行实体落地的两阶段设计，有效缓解了 POI 语义稀缺的问题，兼顾了推荐准确性与计算效率，为大语言模型在位置推荐中的落地提供了可行路径。