经过多年发展,百度地图通过为用户提供精准、丰富以及智能的个性化出行服务,实现了从出行工具到智能交通时代新基建数字底座的进化升级。百度地图每天的位置服务请求响应次数已经突破1200亿次,月活跃用户数超4.5亿,全球地理兴趣点（Point of Interest,简称POI）总量已达1.8亿。个性化POI检索旨在让数亿地图用户随时随地能在亿级POI中快速且精准地找到所需的POI,既是众多地图个性化服务的重要入口,也是用户最高频使用的地图功能之一。个性化POI检索不仅需要考虑用户输入的查询词或不完整的查询片段,还需要考虑用户的个性化画像,甚至还需要纳入检索发起的时间与检索发生的地点等时空信息。正因如此,该技术已成为了学术界和产业界都高度关注的问题。为此,本论文基于国家重点研发计划重大专项（2018YFB 1004304）以及百度地图所代表的LBS产业端的实际技术挑战,深入开展个性化POI检索方法研究及大规模产业应用。具体工作与创新点如下:1.提出了一种基于用户历史行为的个性化POI检索方法。该方法首先基于每个用户的POI检索历史数据,通过语义分析自动学习用户个性化特征属性与POI关联关系,建立能够表征用户偏好的个性化POI向量编码。然后,将学习得到的用户以及POI向量编码融入到POI排序学习模型中,从而能够根据每个用户的偏好对候选POI进行排序优化。在百度地图大规模真实数据集上的实验结果表明,该方法能够显著提升个性化POI检索效果。2.提出了一种基于前缀个性化表示学习的POI检索方法。该方法在同一个语义空间内将用户输入的少量语义片段前缀以及候选POI映射为各自对应的向量表示,并将二者向量特征间的语义相似度作为个性化特征来调整POI排序结果。在百度地图大规模真实数据集上的实验结果表明,该方法能够显著提升用户检索POI的效率和准确性。3.提出了一种基于时空特性以及元学习的个性化POI检索方法。该方法将时间与空间信息、用户历史行为、输入前缀,以及候选POI共同映射到同一个语义空间中进行统一编码,并根据海量用户的POI检索历史数据进行学习,从而能够通过一个模型将所有个性化因素进行融合并作用于结果排序。在百度地图大规模真实数据集上的实验结果表明,该方法能够大幅显著提升百度地图整体POI检索效果。此外,本文还进一步提出了一种基于元学习的时空个性化排序学习方法。该方法能够针对不同的时空数据分别产生有针对性的个性化POI排序模型,能够为处于时空长尾的POI检索请求提供更好的排序效果。实验结果表明,该方法能够更进一步提升POI个性化检索的用户体验。在大规模产业应用方面,上述研究成果均已成功部署在百度地图中。个性化POI检索服务,每天响应数亿次POI搜索请求,总体节约用户38.5%的输入时长,显著改善了海量用户的地图检索体验。