User Modeling in the Era of Large Language Models: Current Research and Future Directions

最新推荐文章于 2025-11-25 12:11:01 发布

UnknownBody

最新推荐文章于 2025-11-25 12:11:01 发布

阅读量531

点赞数 8

CC 4.0 BY-SA版权

分类专栏： Survey Paper 文章标签：语言模型人工智能自然语言处理

本文链接：https://blog.youkuaiyun.com/c_cpp_csharp/article/details/135651041

Survey Paper 同时被 2 个专栏收录

275 篇文章 ¥99.90 ¥299.90

订阅专栏

超级会员免费看

LLM 日更

828 篇文章

已下架不支持订阅

本文探讨了大型语言模型（LLM）在用户建模（UM）中的应用，总结了LLM在理解和生成文本数据方面的优势，以及它们如何改进用户特征的表示学习。文章详细介绍了LLM-UM方法的分类、应用，并提出了未来的研究挑战和方向。这是一项针对LLM-UM研究的综合调查，旨在为该领域的研究者和实践者提供指导。

本文是LLM系列文章，针对《User Modeling in the Era of Large Language Models: Current Research and Future Directions》的翻译。

摘要

用户建模（UM）旨在从用户数据中发现模式或学习有关特定用户特征的表示，如个人资料、偏好和个性。用户模型能够在推荐、教育和医疗保健等许多在线应用程序中实现个性化和可疑检测。两种常见的用户数据类型是文本和图形，因为这些数据通常包含大量用户生成的内容（UGC）和在线交互。在过去的二十年里，文本和图形挖掘的研究发展迅速，为许多显著的解决方案做出了贡献。最近，大型语言模型（LLM）在生成、理解甚至推理文本数据方面表现出了优越的性能。用户建模的方法已经配备了LLM，并且很快变得非常出色。本文总结了关于LLM如何以及为什么是建模和理解UGC的好工具的现有研究。然后，它回顾了几类用于用户建模的大型语言模型（LLM-UM）方法，这些方法以不同的方式将LLM与基于文本和图形的方法集成在一起。然后介绍了用于各种UM应用程序的特定LLM-UM技术。最后，提出了LLM-UM研究的剩余挑战和未来方向。我们将阅读清单保存在：https://github.com/TamSiuhin/LLM-UM-Reading.