思维路径：面向长文本个性化问答的多向思考
计算与语言
2026-01-22 v2 人工智能
信息检索
摘要
个性化在搜索和推荐领域已被深入研究，但由于难以从冗长、含噪的隐式上下文中推断偏好，且需生成既准确又符合用户期望的回答，个性化问答仍有待探索。为解决此问题，我们提出了思维路径，这是一种适用于任何大语言模型（LLM）且无需任务特定微调的推理阶段方法。PoT 将思考建模为迭代决策过程，模型在其中动态选择推理、修正、个性化和澄清等认知操作。这使得模型能够探索多条推理轨迹，生成捕捉不同视角的多样化候选回答。随后，PoT 根据推断的用户偏好对这些候选进行聚合和重加权，生成最终个性化回答，该回答受益于多样化推理路径的互补优势。在 LaMP-QA 基准上的实验表明，PoT 始终优于具有竞争力的基线，实现了高达 10.8% 的相对提升。人工评估进一步验证了这些改进，在 66% 的案例中标注者更倾向于 PoT 而非表现最佳的基线，并在 15% 的案例中报告平局。
引用
@article{arxiv.2509.19094,
title = {Pathways of Thoughts: Multi-Directional Thinking for Long-form Personalized Question Answering},
author = {Alireza Salemi and Cheng Li and Mingyang Zhang and Qiaozhu Mei and Zhuowan Li and Spurthi Amba Hombaiah and Weize Kong and Tao Chen and Hamed Zamani and Michael Bendersky},
journal= {arXiv preprint arXiv:2509.19094},
year = {2026}
}