从隐藏画像到可治理的个性化：大语言模型智能体时代的推荐系统

个性化传统上依赖于特定平台的用户模型，这些模型针对预测进行了优化，但对其所描述的用户而言在很大程度上是不可访问的。随着基于大语言模型的助手日益介入搜索、购物、旅行和内容访问，这种安排可能正让位于一种新的个性化堆栈，其中用户表征不再局限于孤立的平台。在本文中，我们认为关键问题不仅仅是大语言模型可以提高推荐质量，而是它们重新配置了用户表征产生、暴露和发挥作用的位置与方式。我们提出从隐藏的平台画像转向可治理的个性化，在这种模式下，用户表征可能变得更具可检查性、可修改性、可移植性，并在跨服务中产生更大影响。基于这一观点，我们确定了推荐系统的五个研究前沿：透明且保护隐私的用户建模、意图转化与对齐、跨域表征与记忆设计、助手媒介环境中的可信商业化，以及所有权、访问权和问责制的运行机制。我们并非将这些视为孤立的技术挑战，而是将其视为由LLM智能体作为用户与数字平台之间中介的出现所创造的相互关联的设计问题。我们认为，推荐系统的未来不仅取决于更好的推理，还取决于构建用户能够有意义地理解、塑造和治理的个性化系统。