大语言模型洞察日常生活节奏：用于行为预测与生成的对齐理解
计算与语言
2026-04-28 v1 人工智能
摘要
人类的日常行为以复杂序列形式呈现，受意图、偏好和情境的影响。有效建模这些行为对于智能系统（如个人助理和推荐引擎）至关重要。尽管近期深度学习和行为预训练技术的进步提升了行为预测能力，但关键挑战仍然存在——尤其是处理长尾行为、增强可解释性以及在统一框架内支持多任务。大语言模型（LLM）因其语义丰富性、强大的可解释性和生成能力，提供了有前景的方向。然而，行为数据与自然语言之间的结构和模态差异，限制了大语言模型的直接应用。为此，我们提出了行为理解对齐（Behavior Understanding Alignment, BUA）框架，通过结构化课程学习过程将大语言模型集成到人类行为建模中。BUA 使用预训练行为模型的序列嵌入作为对齐锚点，并通过三阶段课程引导大语言模型；同时，多轮对话设置引入预测与生成能力。在两个真实数据集上的实验表明，BUA 在两个任务中均显著优于现有方法，凸显了其在复杂人类行为建模中有效且灵活的应用前景。
引用
@article{arxiv.2604.23578,
title = {LLMs Reading the Rhythms of Daily Life: Aligned Understanding for Behavior Prediction and Generation},
author = {Fanjin Meng and Jingtao Ding and Nian Li and Yizhou Sun and Yong Li},
journal= {arXiv preprint arXiv:2604.23578},
year = {2026}
}