LUCid：重新定义终身个性化的相关性

迄今为止的工作主要依靠语义接近度来识别相关内容以实现终身个性化。然而，情境相关性对于确定哪些信息对用户的实际任务和上下文有用通常更为重要。在本文中，我们介绍了邻近优势（PA）分数，这是一种量化语义邻近偏差的指标，并表明现有的个性化基准在很大程度上将语义和情境邻近性混为一谈，使得目前的系统是否真正捕获情境相关性尚不清楚。为了支持这一指标，我们引入了 LUCid，这是一个包含 1,936 个用户查询和长期交互历史记录的诊断基准，旨在将情境相关性与语义邻近性隔离开来。我们在现代个性化管道的不同阶段（检索、重新排名和生成）进行的实验揭示了显着的性能崩溃：在最困难的情况下，检索召回率下降到接近零，即使对于 Gemini-3-Flash、GPT-5.4 和 Claude Haiku 等最先进的模型，响应对齐也保持在 50% 左右，这凸显了当前系统编码的相关性与终身个性化需求之间的根本不匹配。