DEEPER洞察你的用户：面向动态人格建模的定向人格精炼
计算与语言
2025-07-17 v2
摘要
为了推进推荐系统和用户行为预测等个性化应用，近期研究越来越多地采用大型语言模型（LLMs）进行人类可读的人格建模。在动态现实场景中，有效的人格建模需要利用流式行为数据来持续优化用户人格。然而，现有方法——无论是重新生成人格还是通过新行为增量扩展人格——往往无法在人格质量或未来行为预测准确性方面实现持续改进。为此，我们提出了 DEEPER，一个用于动态人格建模的新方法，可实现持续的人格优化。具体而言，我们通过迭代强化学习框架增强了模型的方向搜索能力，使其能够自动识别有效的更新方向，并利用用户行为与模型预测之间的差异来优化人格。在涉及 4800 名用户和 10 个领域的动态人格建模的广泛实验中，突显了 DEEPER 卓越的人格优化能力，在四次更新轮次中实现了用户行为预测误差平均 32.2% 的降低，比最佳基线方法超出的幅度高达 22.92%。
引用
@article{arxiv.2502.11078,
title = {DEEPER Insight into Your User: Directed Persona Refinement for Dynamic Persona Modeling},
author = {Aili Chen and Chengyu Du and Jiangjie Chen and Jinghan Xu and Yikai Zhang and Siyu Yuan and Zulong Chen and Liangyue Li and Yanghua Xiao},
journal= {arXiv preprint arXiv:2502.11078},
year = {2025}
}