LettinGo：探索推荐系统中的用户画像生成

用户画像对于推荐系统至关重要，因为它将原始用户交互数据转化为简洁、结构化的表示，从而推动个性化推荐。虽然传统的基于嵌入的画像缺乏可解释性和适应性，但大型语言模型（LLMs）的最新进展使得基于文本的画像在语义上更丰富、更透明。然而，现有方法通常遵循固定格式，这限制了它们捕捉用户行为多样性的能力。在本文中，我们引入了 LettinGo，一个用于生成多样化和自适应用户画像的新颖框架。通过利用LLMs的表达能力并整合来自下游推荐任务的直接反馈，我们的方法避免了监督微调（SFT）所施加的严格约束。相反，我们采用直接偏好优化（DPO）来使画像生成器与任务特定性能对齐，确保画像保持自适应和有效。LettinGo 分为三个阶段运行：(1) 通过多个 LLM 探索多样化的用户画像，(2) 根据画像在推荐系统中的影响评估其质量，以及 (3) 通过从任务性能派生的成对偏好数据对齐画像生成。实验结果表明，我们的框架显著提高了推荐的准确性、灵活性和上下文感知能力。这项工作将画像生成作为下一代推荐系统的一项关键创新。