WeFair：短视频搜索个性化查询改写的保真度感知对齐
🧭 个性化查询改写 · 保真度感知 RLHF ★ 深度解读
Weixin Group, Tencent · East China Normal University
用保真度分级的 SFT-DPO-GRPO 对齐人类反馈，训练紧凑个性化 query 改写模型并显著缓解意图漂移
📌 工作参考价值（4 点）
- 对于 query 改写/生成式推荐，建议把真实 session 中相邻 query 改写对和“不需要改写”保留样本同时纳入 SFT，并用 LLM 多裁判筛选，能显著提升改写决策准确率和降低 intent drift。
- 三阶段对齐可复用：SFT 课程用低精度宽覆盖数据打底，DPO 用点击/消费偏好做相对排序，最后 GRPO 奖励只给与真实用户改写或保留完全匹配的目标；避免使用相似度/retrieval/RM 等辅助奖励，它们会降低 advantage purity 和最终准确率。
- 线上部署采用 direct 输出 + 用首个 token 的保留概率做 gating，决定是否只用原 query 做检索排序；这是低成本集成改写的方式。2B 模型 7.6 tokens、0.316s 足够支撑百万级日请求。
- 若要评估改写质量，可定义 Consistent Recall/Precision、Intent Drift Rate、Hallucination Rate 和 Preservation Decision Recall，结合 LLM judge 与人工标注；该指标组合更适合搜索会话中的意图保真评估。
偏好≠许可：个性化 Agent 电商自动购买界限
🧭 Agent 交易授权边界个性化 ★ 深度解读
ZOZO Research
提出个性化自动购买授权边界任务，发现16个LLM购物Agent过度承诺，个人边界可从少量标注习得
📌 工作参考价值（4 点）
- 把推荐 fit 与交易授权解耦：在自动下单/Agent 购物中，不要因相关性高就 checkout；增加独立的 pre-commit warrant gate，读商品证据与用户明确顾虑，能大幅降低弱证据过度承诺，且比 always-confirm 少打扰。
- 用 minimal-edit counterfactual 做 Agent 审计：固定商品/任务，只改 warrant、final sale、价格上限/异常、urgency 等因素，观察行为变化；把动作压缩为 don't/confirm/auto 三档，报 overreach/overcaution，而不是只看任务成功率。
- 个性化授权边界可用简单模型 + 少量用户标注：几十个用户自己标签训练的 logistic/partial-pooling 模型即可预测 held-out auto-purchase 线，优于大量 prompt×model 组合；但跨域不迁移，需要 in-domain 冷启动标注。
- 将用户个人策略渲染成简短 policy card 注入 system prompt，能改善所有模型的 unsafe-auto 行为，但仍有残余；落地建议人口级 warrant gate 做底线 + 个人边界做上层。
个人AI代理中的经济错位：财富推断与对抗性委托
🧭 个人AI代理经济决策中的隐性偏见
Foundation AI, Cisco · Carnegie Mellon University
研究揭示个人AI代理会从个人上下文推断财富并系统性推荐更昂贵选项，即使违背用户明确目标
📌 工作参考价值（4 点）
- 在部署代理式推荐（如自动客服选品、智能保险推荐）时，应建立经济公平性回归测试：固定用户请求，只改变画像中的财富敏感字段（收入、消费记录、邮件语气），观察推荐价格分布是否出现系统性偏移；若偏移显著，需在 prompt 中加入显式约束（如“忽略用户财富信号，严格按指定目标优化”）或后处理校准。
- 隐私保护不能只屏蔽显式金融属性；模型会利用剩余环境信号（如邮件内容、语言风格）推断财富，甚至加大偏差（对保险场景最高增加40%）。因此需要做“属性屏蔽-残余偏差”审计，并在特征层或微调时加入对抗去偏（如从嵌入中移除财富方向）。
- 不要迷信模型规模；更大模型（如 Claude Opus 4.8）可能更严重，因此选择 LLM 做决策代理时必须将其作为独立风险维度评估，不能默认更强模型更公平。
- 借鉴其大规模实验设计（325K次，3类决策，13个模型）构建内部基准，用合成用户画像自动生成测试用例，监控线上的经济偏差。
Mind2Dialogue：通过模拟用户心理状态训练人本感知语言模型
🧭 用户心理模拟 · 人本感知LLM训练
UC San Diego · KU Leuven · University of Illinois Chicago · The Ohio State University · Johns Hopkins University
用心理引导模拟器生成共享心理状态对话，并以特权蒸馏训练更懂用户信念与目标的LLM
📌 工作参考价值（4 点）
- 会话式推荐/导购 Agent：可借鉴其用户模拟器，为每次会话维护潜在偏好/目标状态，并用 Oracle 基于该状态生成高质量回复，再通过特权蒸馏训练线上模型——线上只需对话历史，不需要真实心理状态。
- 个性化评测：将个性化与心智理论结合，评估模型能否从用户话中推断偏好并据此行动，可迁移到推荐系统的用户理解指标，而不仅看点击/转化。
- 数据增强：在电商对话数据稀缺时，用心理引导模拟器生成覆盖多变用户人格和演化意图的合成数据，用于微调导购、客服或选品 Agent，降低人工标注成本。
- 多轮交互建模：共享演化心理状态可视为用户长期兴趣与短期意图的状态跟踪，提升搜索/推荐长会话一致性。
通过人机交互进行高效测试时自适应
🧭 Agent 个性化与测试时自适应
Carnegie Mellon University · University of Washington · Handshake AI · Stanford University · Princeton University
利用跨会话人机交互信号在测试时适配个体 Agent，写作与视觉创作任务成功率提升 4.5–20.9%，演化 rubric 可多捕获 16–22.3% 失败
📌 工作参考价值（4 点）
- 用跨会话交互数据做在线个性化：电商对话式导购/客服 Agent 可维护用户历史反馈，在推理时动态注入 context 或更新轻量权重，实现低成本的个性化，尤其适合长尾用户。
- 演化 rubric 模块可作为偏好对齐工具：将用户对推荐解释、商品描述、广告文案的反复反馈提炼为可进化的评价标准，既可作为奖励/过滤信号，也可用于自动标注失败案例，减少人工评审成本；论文显示比单用 LM 或人工能多捕获 16-22% 失败。
- 个性化策略具备跨用户迁移能力：即使目标是个人化，TAHI 训练的个性化策略也能提升其他用户最高 8.8%，提示可构建共享的“个性化底座”，通过少量交互迁移到新用户，缓解冷启动。
- 在生成式推荐场景，可将用户反复指出的标准显式化为 rubric 并注入 prompt 或评分器，实现可解释的偏好对齐与可控生成。
PACE：面向用户请求中隐藏冲突的识别与证据检索框架
🧭 多智能体协作检索与冲突感知推理 ★ 深度解读
Department of Computer Science and Engineering, POSTECH · Graduate School of Artificial Intelligence, POSTECH
提出 PACE 数据集与 PACEMAKER 多智能体框架，通过冲突感知查询重构、多跳图遍历与证据过滤提升隐式冲突判断能力
📌 工作参考价值（4 点）
- 冲突感知查询重构：不要直接用原始 query 检索，先让 planner 生成可能的冲突维度（时间、个人约束、资源状态），再生成 counter queries 去检索隐式约束。在电商推荐或 Agent 决策中，可主动生成反事实查询（如“用户是否对某成分过敏”“该时段是否有冲突日程”）以覆盖不兼容场景。
- 多跳图遍历 + 加权 RRF 融合：为个性化知识库离线构建 k-NN 文档图，在线检索时先混合 dense+BM25 获取种子，再 BFS 扩展邻居，最后用冲突感知过滤器筛选证据。反事实查询检索结果给予更高权重，有助于发现弱相关但决策关键的证据。
- 证据筛选优于全量上下文：实验显示 Full KB 反而不如精选 top-10 证据，缺失部分 gold facts 会显著降低冲突判断准确率。工程上应避免把整个用户画像或海量行为日志直接塞给 LLM，先检索筛选决策关键证据，尤其对冲突类请求。
- 训练-free 且索引阶段无 LLM 调用：多智能体框架冷启动成本低，适合频繁更新的个性化 KB。可借鉴离线建图 + 在线 agent 检索的架构，降低延迟和成本。
MobileMem：移动端长期记忆基准与知识引导数据合成框架
🧭 面向移动设备 Agent 的长期记忆基准与数据合成 ★ 深度解读
OPPO · OpenKG
提出移动端长期记忆基准 MobileMem 与合成框架 KEME，系统评估端侧记忆系统在多跳、时序、偏好推理上的能力。
📌 工作参考价值（4 点）
- 复合记忆架构可迁移到电商用户画像：论文提出的“系统级记忆层（blackboard）+ 应用级记忆（cognitive offloading）”两层架构，很适合电商/推荐场景。应用侧（如订单、搜索、浏览、客服对话）先做初筛，只上报有长期价值的用户事件，系统侧构建跨域用户知识图谱，既节省算力又保护隐私。
- 用 KEME 合成长期用户轨迹：缺少跨 session 真实交互数据是推荐/Agent 评测痛点。KEME 的 persona + knowledge anchors + temporal event graph 能生成时间一致、偏好演化的长周期用户行为序列，可用于模拟用户兴趣漂移、跨 app 关联行为，训练或评测个性化模型。
- 记忆系统选型结论直接可用：实验显示 HippoRAG2 与 A-MEM 显著优于 NaiveRAG 和 Long Context，核心在于保留原始交互细节 + 增强检索（实体关系图 PageRank / 丰富元数据）。在构建用户长期记忆库时，不要过度压缩摘要，应保留细粒度证据并用关键词、标签、图结构辅助召回。
- 按错误类型定位瓶颈：用 MemTrace 等归因工具区分提取错误、检索错误、生成错误，可指导优化方向。实际系统中多数失败可能来自上游提取或下游生成，而非只优化检索器。
免训练的Token级引导框架：大模型个性化协同写作
🧭 训练免token级引导 · 个性化写作
Tsinghua University · Fuyao University of Science and Technology · Henan Provincial People’s Hospital
提出免训练的token级引导方法，在小数据集上实时控制LLM生成，显著降低人工编辑量
📌 工作参考价值（4 点）
- 在商品标题/广告文案生成中，可借鉴 token 级引导快速适配专业领域，无需频繁微调大模型，降低算力与维护成本
- 针对小样本商品类目（如新品），该框架基于小数据集构建引导，能有效捕捉细分用语风格，提升个性化文案质量
- 工程上可将领域知识（如商品属性、组合搭配）编码为 token 偏置，作为轻量插件接入现有文本生成流程
- 方法不依赖梯度更新，适合在频繁变化的电商环境中实时注入最新促销信息、季节热词等
新手用户的笔记本电脑搜索助手：领域知识水平自适应的信息呈现效果研究
🧭 对话推荐 · 用户知识水平自适应
GESIS – Leibniz Institute for the Social Sciences · University of Twente
在聊天机器人产品推荐中，兼顾技术信息、性能分类与属性解释的 TCE 设计最能提升新手体验且不妨碍专家
📌 工作参考价值（4 点）
- 默认采用 TCE 信息呈现模式：在电商对话助手中，对技术类商品（如电脑、相机）统一提供“技术参数 + 性能等级标签 + 通俗解释”，既帮助新手理解，又不损害专家效率，避免需要显式检测用户知识水平。
- 避免孤立使用性能分类标签：仅有“高性能”“入门级”等分类而无解释，新手会感到困惑且认为信息量不足；建议始终搭配类别含义说明与参数解读。
- 单一自适应界面优于多版本分流：不必为新老用户设计不同界面，一套包含解释和类别的混合呈现即可覆盖所有群体，降低工程维护成本。
- 增加用户控制与个性化入口：尽管 TCE 适合多数场景，仍可让用户主动调整信息详尽度或标注自身知识水平，用于进一步精排解释粒度，满足极端偏好。
PAST-Bench：个人代理递归自我改进的基准与诊断
🧭 个人代理递归自我改进评估与诊断
构建受控实验揭示代理改进并非必然源于正确的经验路径，并设计 Hermes+ 强化 save-retrieve-update 机制
📌 工作参考价值（4 点）
- 评估个性化推荐 Agent 的长期效果时，可借鉴 PAST-Bench 的控制变量设计：对比开启与关闭记忆时的任务增益，并诊断增益是否来自预期的 save-retrieve-update 路径，避免被模型原生能力或统计偏倚误导。
- 推荐系统的用户状态管理可借鉴 Hermes+ 的五项干预：如遗忘机制处理过期偏好、时序感知检索捕捉兴趣漂移、优先级队列管理记忆容量，防止陈旧信息干扰。
- 在构建持续学习的 Agent 时，应重点应对“条件变化”场景（如用户偏好转换），主动替换而非累积过时状态；PAST-Bench 的更新维度测试可移植用于验证此类机制。
- 如需分析 Agent 框架对经验复用的贡献，可分离基座模型与框架的影响，PAST-Bench 提供跨模型和框架的衡量方式，帮助定位架构瓶颈。
知其然，亦行其道：LLM 个性化中的记忆利用研究
🧭 Agent 记忆利用评估
The Hong Kong Polytechnic University
解耦“知道”与“行动”的评估范式揭示：LLM agent 能记住用户偏好却常不据此行动，健康领域尤甚。
📌 工作参考价值（4 点）
- 构建个性化推荐或客服 agent 时，应设置成对的 Know/Act 测试用例，分别验证偏好召回与行为应用，避免“记住但不用”的盲区。
- 对高风险偏好（如过敏、健康约束）应提升测试密度与强度，并考虑在 prompt 或记忆检索后追加显式的“偏好-行动”一致性检查模块。
- 记忆架构（如摘要、向量检索）能缩小 Know-Act 差距，但无法根除，需配合针对性微调或 RLHF 强化从记忆到行为的转化。
- 工程上可将用户敏感属性标记为“强制遵循”类型，在推理阶段由策略层校验生成内容是否符合已知偏好，防止危险建议。
基于自主语言代理的个性化推荐工具学习
🧭 Agent 个性化推荐工具学习 ★ 深度解读
Univ. of Illinois Chicago · Microsoft · Beihang University · Hangzhou Innovation Institute of BUAA
用LLM代理调用多个推荐模型作为工具，通过反射机制个性化选择工具，实现全排名推荐。
📌 工作参考价值（4 点）
- 多工具集成架构：将LightGCN、SASRec、SimpleX等异构推荐模型包装为工具，由LLM agent统一调度，通过加权融合（Personalized Tool Memory）得到最终排序。业务中可用类似方式组合协同过滤、序列模型、图模型等多路召回，agent负责动态权重分配，无需改造底层模型。
- 反射记忆更新机制：提出三种反射信号——局部工具评估（基于行为序列相关性）、全局工具比较（跨工具选择最佳）、排名比较（基于留出物品的排名倒数加权），在线更新每个用户的工具权重。该机制可低成本迁移到个性化重排或广告混排场景，用LLM定期（如每日）优化不同打分器/策略的权重。
- 轻量上下文重排：在工具融合分数生成top-N后，用LLM根据用户摘要和物品描述进行二次重排，提升语义匹配度。适用于精排后的小候选集重排，计算开销可控（单张V100 GPU每用户<0.5秒），适合作为排序流水线的最后一环。
- 工程并行化与成本控制：每个用户的工具记忆独立更新，可完全并行；训练时仅需少量用户采样（如160人）进行agent优化，推理时所有用户复用相同工具，Agent阶段可离线完成。这种解耦设计使得LLM调用集中在离线批量任务，不增加在线延迟。
让个性化模型更轻量更智能
🧭 个性化排序模型轻量化与深度缩放
将个性化排序重构为紧凑知识库的迭代精炼，实现 O(N) 每层成本，解耦深度与用户历史长度
📌 工作参考价值（4 点）
- 紧凑中间表示解耦深度与序列长度：借鉴 SlimPer 固定大小的知识库表示，在电商推荐中可串联更深网络而不显着增加计算与内存，便于扩展更细粒度的用户行为建模。
- 请求级优化共享用户特征：对同一请求中多个候选商品，只维护一份用户侧 token，大幅减少显存占用，适合高并发在线广告/推荐服务。
- 显式多模态匹配打分：在注意力中直接计算用户与商品 token 的匹配分数，可迁移到搜索广告中，在粗排或精排阶段提供可解释的相关性信号。
- 统一稀疏稠密序列特征：将账户画像、实时行为与长期序列统一 backone 处理，简化特征工程与模型部署，适合大促场景下多类型特征快速融合。
检验个性化干预收益的统计假设检验
🧭 个性化决策效果评估统计方法
Stanford University
提出一种统计检验，用历史数据评估个性化策略是否优于最佳单一干预，提供严格错误控制
📌 工作参考价值（4 点）
- 线上决策门控：在用户分群AB实验后，用该检验判断个性化推荐模型（如多臂老虎机、contextual bandit）相比全量最优固定策略是否有统计显著的收益，避免盲目上线复杂模型。
- 成本收益评估：在推荐系统迭代中，当个性化引入额外计算或冷启动成本时，检验能基于历史日志数据快速量化收益，辅助工程取舍。
- 策略退化监控：在已上线个性化推荐服务中，定期用检验评估个性化增益是否仍显著，若不再拒绝原假设，可能提示策略需更新或用户分布漂移。
- 离线标杆验证：在离线评估生成式推荐（如LLM生成item）时，可将其作为统计基线：对比生成式策略与最优固定推荐列表，提供“是否值得部署”的严格统计证据。
SocialPersona：多模态社交上下文个性化画像与应答基准
🧭 多模态用户理解与个性化评测 ★ 深度解读
Harbin Institute of Technology
从真实社交媒体时间线推断用户偏好并用于对话，暴露MLLM细粒度兴趣与时间推理严重不足
📌 工作参考价值（4 点）
- 从弱信号轨迹构建用户兴趣画像：可以从电商/内容平台的浏览、收藏、评论等多模态行为日志中，借鉴 SocialPersona 的半自动化流水线（单行为提取→跨行为聚合→时间衰减打分→LLM校准→人工抽检），低成本挖掘隐含的稳定与近期偏好，用于推荐与推送文案生成。
- 区分稳定兴趣与近期兴趣：推荐系统中可显式建模长、短期偏好，对“近期激活”的兴趣给更高时效权重，避免始终推荐过时内容，提升新鲜度。SOCIALPERSONA 的时间分箱和近期 90 天窗口设计可直接迁移为特征工程。
- 利用文本与视觉互补信号：实验显示文字提供主要偏好信号，图片描述补充隐式线索（如视觉场景、活动），两类模态叠加能使兴趣域激活 F1 从 0.503 升至 0.737。电商场景下可融合商品标题、评论文本和主图描述，提升用户兴趣识别的覆盖。
- 两阶段提取-摘要策略处理长序列：面对用户长期行为序列，可先提取关键交互（Top-K 代表性行为）再压缩为概要，既保留细粒度证据又缓解长上下文负担，比直接全量输入更利于强模型（如 GPT-5.4）提升 F1 至 0.375。
特质而非状态：社交高亮中阅读身份的持久性
🧭 用户行为持久性研究 · 个性化推荐
Glasp Inc.
个体的文档选择特征在长时段内保持稳定，是一种持久特质，可用于预测未来阅读
📌 工作参考价值（4 点）
- 用户兴趣稳定性洞察：在电商推荐中，用户的选择行为（如点击、购买）可能也具有长期稳定性，可以利用早期历史构建用户画像，无需频繁更新。论文表明，用前6个月数据构建画像，20个月后仍能有效预测未来阅读（AP提升约3倍），启示我们更依赖长期偏好信号。
- 实验控制技巧：为避免供应漂移（内容池变化）导致的虚假变化，采用“同历元负样本”（negatives from the same calendar era），该方法可借鉴到推荐系统AB测试或离线评估中，确保观测差异来自用户本身而非内容池变化。
- 细粒度兴趣邻域：在读者自身兴趣邻域内，个人优势几乎不衰退，说明在用户兴趣局部区域内个性化信号非常稳定。在推荐中，可针对不同兴趣簇分别建模用户档案，提升稳定性。
- 个人档案作为轻量排序信号：直接使用历史行为构建简单个人档案，对候选物品排序，相比非个人先验（如流行度）有显著优势。在电商中可构建基于浏览/购买类目的用户向量，作为召回或重排序特征，低成本提升效果。
个性化显著性：标亮是社交性的，但个体性体现于选择
🧭 个性化行为分析 · 用户建模 ★ 深度解读
Glasp Inc.
利用共读控制分离通用、群体和个体显著性，发现个体信号在已标亮段落的选择任务中强度约为突出段落的6-8倍，且主要来自主题偏好。
📌 工作参考价值（4 点）
- 在个性化推荐中，应侧重用户在已筛选候选池中的选择行为（二次排序/重排），而非仅依赖一般兴趣特征；本研究表明个体性在“选择”任务中比“显著性”任务高近一个数量级。
- 构建个性化模型时必须杜绝目标文档泄漏到用户画像中：论文发现幼稚排除会导致 +0.07~0.15 AP 的虚假提升，务必精确剔除。
- 群体共识随文档流行度下降（但趋势尚未确证），可能意味着长尾/小众内容上个性化空间更大，但在热门内容上群体信号已足够强，可考虑在冷启动或长尾场景强化个体建模。
- 用户选择倾向可由少量行为（几十次高亮）有效捕捉，继续增加历史收益很小（平台状），在工程上可据此设定画像大小上限、降低存储和计算成本。
iOSWorld：面向个人智能的电话Agent基准测试
🧭 移动端Agent评测 · 个人化推理 ★ 深度解读
Carnegie Mellon University
首个以持久用户身份为中心的交互式iOS模拟器基准，涵盖133个跨应用任务，强调个人化智能与多应用推理。
📌 工作参考价值（4 点）
- 构建跨应用的个性化评测：可借鉴其思路，在电商场景中构造包含用户历史订单、支付、邮件、客服、社交等多应用数据，设计需要跨应用推理和记忆的任务，评估Agent是否能理解用户偏好与上下文，而不是孤立执行单步指令。
- LLM-as-Judge的轨迹级评估：使用GPT-5.4-Mini对整个操作轨迹进行自动评判，人工验证κ=0.77，成本低且可靠。可直接迁移到Agent业务流程的离线评测，替代部分人工验收。
- 小模型对额外结构化上下文的利用瓶颈：视觉+XML模态下GPT-5.4-Mini和Qwen3.5不升反降，说明提供界面结构信息并非总是利好，容量小的模型会被额外token压垮。在工程中为Agent补充页面结构或工具描述时，需评估模型是否具备足够的上下文处理能力。
- 模拟器环境与种子数据设计：通过虚构用户、持久化种子数据构建可复现的测试环境，适合在隐私敏感且需要真实用户行为的电商推荐或Agent评测场景中快速构建仿真台。