当个性化产生误导：理解并缓解个性化大语言模型中的幻觉

个性化大语言模型 (LLM) 将模型行为适配至个体用户以提升用户满意度，然而个性化可能无意间扭曲事实推理。我们表明，当个性化 LLM 面临事实性查询时，存在一种现象：模型生成的答案与用户的历史记录一致而非客观事实，由于个性化与事实表示之间的表示纠缠，导致个性化诱导的幻觉，这降低了事实可靠性并可能传播错误信念。为解决此问题，我们提出保真性个性化引导 (FPPS)，这是一种轻量级的推理时方法，可在缓解个性化诱导的事实扭曲的同时保留个性化行为。我们进一步引入 PFQABench，这是首个旨在联合评估个性化下事实性与个性化问答的基准。在多个 LLM 主干和个性化方法上的实验表明，FPPS 在维持个性化性能的同时显著提高了事实准确性。