大语言模型时代的用户建模：目前研究和未来方向

三谷秋水

已于 2024-07-30 21:36:47 修改

阅读量1.4k

点赞数 19

CC 4.0 BY-SA版权

分类专栏：大模型机器学习人工智能文章标签：语言模型人工智能自然语言处理

于 2024-06-11 01:06:59 首次发布

本文链接：https://blog.csdn.net/yorkhunter/article/details/139568897

23年12月来自美国Notre Dame大学的综述论文“User Modeling in the Era of Large Language Models: Current Research and Future Directions“。

**用户建模（UM）**旨在从用户数据中发现模式或学习有关特定用户特征的表示，如profile、偏好和个性。用户模型能够在推荐、教育和医疗保健等许多在线应用程序中实现个性化和可疑检测。两种常见的用户数据类型是文本和图，因为这些数据通常包含大量用户生成内容（UGC）和在线交互。在过去的二十年里，文本和图挖掘的研究发展迅速，为许多显著的解决方案做出了贡献。最近，大语言模型（LLM）在生成、理解甚至推理文本数据方面表现出了优越的性能。用户建模的方法已经配备LLM，并且很快变得非常出色。

本文总结关于LLM如何以及为什么是建模和理解UGC的好工具等现有研究。回顾了几类用于用户建模的大语言模型（LLM-UM）方法，这些方法以不同的方式将LLM与基于文本和图的方法集成在一起。然后介绍用于各种UM应用程序的特定LLM-UM技术。最后，提出了LLM-UM研究的挑战和未来方向。

如图所示：用户建模旨在从用户数据中发现知识和模式，识别profile、偏好和个性。图中的三个蓝色箭头对应于三个主要贡献：（1）总结LLM如何以及为什么是建模和理解UGC的好工具，（2）回顾将LLM与基于文本和图UM方法集成的方法，以及（3）介绍用于各种应用的LLM-UM技术。
在这里插入图片描述

用户建模（UM）涉及从用户数据中提取或预测洞察力，如profile、个性特征、行为模式和偏好。这些见解可用于定制和优化面向用户的系统或服务，使其能够有效适应个人用户的独特需求[124]。从用户数据的角度来看，系统主要有两种类型：用户生成内容（UGC）和用户-用户/条目交互。这些数据模态包括文本内容和基于图的交互。用户建模技术可以大致分为两类：基于文本的方法和基于图的方法，每种分别侧重于UGC和用户交互图。