CoPersona：用于稳健 LLM 个性化的协作角色图

现实世界的 LLM 个性化通常受到稀疏且扭曲的用户历史的限制：大多数用户仅提供少量交互，而即使是频繁用户的日志也会捕获其偏好的不完整且有偏见的视图。因此，弱观察的用户属性很难推断，当测试时请求转向支持不足的方面时，会导致脆弱的个性化。受此限制的启发，我们提出了 CoPersona，这是一种基于图的协作个性化框架，它通过借用行为相似的同伴的信号来完成稀疏的用户配置文件。然而，直接传输信号很困难，因为不均匀的分面覆盖会给交互历史带来偏差，从而模糊了非结构化全局空间中的用户相似性。为了解决这个问题，CoPersona 将交互历史分解为多个方面级别的表示，并通过多重角色图显式地建模点对点、方面级别的对齐。为了在推理时有效地利用对等信息，我们采用了双分支架构，将非参数对等检索与参数图推理相结合。跨多个领域和模型规模的实验证明了在强基线上的持续改进，验证了 CoPersona 是实现稳健 LLM 个性化的有效方法。