LLM如何高效理解用户？淘天发布首个基于用户表征的问答基准UQABench

文章预览

LLM正推动推荐系统革新，以用户表征为「软提示」的范式开辟了高效推荐新路径。在此趋势下，淘天团队发布了首个基于用户表征的个性化问答基准UQABench，系统评估了用户表征的提示效能。 在「千人千面」的个性化服务浪潮中，大语言模型（LLM）凭借强大的语义理解与生成能力，正在重塑推荐系统与个性化问答的产业格局。 🏷 研究背景：当推荐系统遇见大模型，如何突破效率与效果的双重挑战？ 传统方案通过将用户点击历史转化为文本提示注入LLM上下文，虽能提升相关性，却面临 两大硬伤： 效率瓶颈 ：单用户行为序列动辄数万token，远超LLM上下文窗口限制，推理延迟与成本飙升； 噪声干扰 ：冗余点击、误操作等噪声易误导模型，削弱个性化效果。 破局之道： 将用户行为序列压缩为高密度的表征向量（ user embeddings ），以「软提示」形式驱 ………………………………