当基于 LLM 的用户分析为制作流媒体推荐增加价值时

个性化推荐很大程度上取决于如何根据历史行为构建用户表征。在基于内容的推荐中构建语义用户配置文件已经出现了两种范例。首先，聚合方法将用户表示导出为语义项嵌入的数字聚合。其次，基于 LLM 的方法生成用户偏好的自然语言摘要，并通过文本编码器对其进行编码。每种范式都可以与近期行为与历史行为的时间解开相结合。基于大语言模型的概要文件生成比聚合方法要昂贵得多，这就提出了这样的问题：这种额外成本何时是合理的。我们对四种语义用户分析策略进行了系统比较，这些策略跨表示类型和时间处理进行因子交叉，并在现实世界的生产数据集上进行了评估。比较揭示了这些策略在不同用户行为类型、推荐质量的准确性和超准确维度以及控制解开的时间窗口设置方面有何不同。