从用户行为日志进行分层多画像归纳：学习有证据支撑且真实的画像

行为日志为用户建模提供了丰富信号，但噪声大且交织着多种不同意图。近期工作使用LLM从用户日志生成可解释的自然语言画像（persona），但其评估往往强调下游效用，对画像质量本身的保障有限。我们提出一个分层框架，将用户行为聚合为意图记忆，并通过对这些记忆进行聚类和标注来归纳出多个有证据支撑的画像。我们将画像归纳形式化为一个以画像质量为目标的优化问题——画像质量由聚类内聚性、画像-证据一致性和画像真实性刻画——并使用直接偏好优化（Direct Preference Optimization，DPO）的分组扩展来训练画像模型。在一个大规模服务日志和两个公开数据集上的实验表明，我们的方法归纳出的画像更连贯、更有证据支撑、更可信，同时也提升了未来交互预测的效果。