基于真实行为特征的用户画像：个性化对齐与多视角推理

arXiv cs.CL 论文
personalized-alignment user-profiles behavior-grounding multi-perspective-reasoning llms

摘要

本文提出一个框架，通过分析社交媒体帖子提取基于真实行为特征的用户画像，以增强大语言模型的个性化对齐与多视角推理能力，其表现优于基于合成画像的方法。

arXiv:2609.00014v1 发布类型：新研究 摘要：基于角色的技术日益用于将大语言模型适配到多样化场景。然而，现有方法主要依赖刻板、合成的角色画像，这些画像简化了个体差异、依赖于刻板印象，且忽略了驱动真实人类偏好的细微信号。我们引入了画像行为特征提取框架，该框架能够从真实的匿名社交媒体帖子中直接提取开放式、高保真度的用户画像。我们在两个范式下评估这些画像：通过监督微调进行训练时个性化，以及非参数化测试时多视角推理。在复杂的推荐和开放式查询基准测试中，基于行为特征的画像持续提升基础模型的性能，并优于合成画像基线模型，推动了更强的参数化对齐并实现更丰富、多维度的推理。我们的研究确立了开放式、基于行为特征的画像作为下一代个性化语言系统高度多样化且有效的基础。我们的代码库可在以下地址获取：https://github.com/ServiceNow/behavior-grounding。
查看原文
查看缓存全文

缓存时间: 2026/09/02 05:42 

# 基于真实行为数据构建的个性化对齐与多视角推理用户画像
来源：https://arxiv.org/abs/2609.00014
查看PDF（https://arxiv.org/pdf/2609.00014）

> 摘要：角色驱动技术正日益将大型语言模型（LLM）适配于多样化场景。然而现有方法主要依赖僵化合成的角色画像，这类画像既会抹平个体差异、依赖刻板印象，又无法捕捉驱动真实人类偏好的微妙信号。我们提出"画像行为锚定"框架，该框架能直接从真实的匿名社交媒体帖子中提取开放式、高保真度的用户画像。我们在两种范式中评估这些画像：通过监督微调（SFT）实现训练时个性化，以及非参数化的测试时多视角推理。在复杂推荐和开放式查询基准测试中，行为锚定画像能持续提升基础模型表现，并优于合成画像基线方案，不仅实现了更强的参数化对齐，更支持了更丰富多维的推理。我们的研究证实：由行为衍生的开放式画像可作为下一代个性化语言系统高度多样且有效的基础。代码库已发布于：https://github.com/ServiceNow/behavior-grounding。

## 提交历史

发件人：Yuxuan Li \[查看邮件（https://arxiv.org/show-email/83fb86fe/2609.00014）\] **\[版本1\]** 2026年8月11日（周二）10:19:11 UTC（12,494 KB）

相似文章

LUNAR: Benchmarking Personalized Large Language Models on UNiversal User BehAvioR Logs

arXiv cs.AI

This paper introduces LUNAR, a benchmark for evaluating how large language models personalize responses from longitudinal app interaction histories across daily-life domains such as clothing, food, housing, and mobility. Experiments on 19 mainstream LLMs reveal that effective personalization depends on evidence selection and cross-domain integration, and that stronger personalization can come at the cost of privacy protection.