基于多轨迹推理的稀疏个性化文本生成

随着大语言模型（LLM）不断进步，个性化已成为让输出贴合单个用户需求的关键机制。然而，大多数现有方法严重依赖密集的交互历史，使其在此类数据稀疏或不可得的冷启动场景中失效。虽然外部信号（如相似用户的内容）可以提供潜在补救，但有效利用它们仍然充满挑战：原始上下文往往充满噪声，且现有方法难以对异构数据源进行推理。为解决这些问题，我们提出PAT（Personalization with Aligned Trajectories），一个面向冷启动LLM个性化的推理框架。PAT首先沿两条互补轨迹检索信息：来自文风相似用户的写作风格线索，以及来自偏好一致用户的主题相关上下文。随后它采用基于强化学习的迭代式双重推理机制，使LLM能够联合精炼并整合这些信号。在多个真实世界个性化基准上的实验结果表明，PAT在稀疏数据条件下持续提升生成质量与对齐度，为冷启动个性化问题确立了一个强有力的解决方案。