一篇大模型个性化技术最新综述

大语言模型个性化是一个最近特别值得关注的话题，但是LLM个性化研究存在一个明显的割裂：

• 部分产品专注于让模型生成个性化的文本 

•  另一部分则在用它做推荐系统等下游任务 

首次系统地连接了这两个方向，提出了一个分类体系，总结了个性化LLMs使用的关键差异和挑战，并提出了系统化的分类体系：

个性化LLM的三层框架

个性化大型语言模型（LLMs）的三层框架是指根据个性化粒度对LLMs进行分类的三个层次，每个层次针对不同的个性化目标和应用场景：

1. 用户级个性化（User-level Personalization）：

   • 这个层次关注于单个用户的特定需求和偏好。

   • 个性化的目标是利用详细的用户信息，包括历史互动、偏好和行为，通常通过用户ID来识别。

   • 用户级个性化能够提供最精细的个性化体验，但在数据稀疏性、可扩展性和冷启动问题上面临挑战。

2. 角色级个性化（Persona-level Personalization）：

   • 这个层次针对具有共同特征或偏好的用户群体，称为角色（persona）。

   • 个性化基于这些群体的集体属性，例如专业知识、信息丰富度和风格偏好。

   • 角色级个性化在处理具有共同特征的用户群体时有效，但在缺乏用户特定属性的情况下可能不够精细。