文本用户品味：大规模基础模型推荐系统的自然语言用户上下文

基础模型推荐系统需要可以被大语言模型使用、推理并通过自然语言交互细化的用户上下文。传统的行为嵌入向量对于检索和排名仍然非常有效，但它们对用户来说是不透明的，并且不是针对语言模型工作流程的本机表达。我们引入了 Textual User Taste，这是一个系统，可以根据聆听行为、交互信号、内容元数据和可选的用户反馈生成结构化的自然语言品味配置文件，并将其部署给数百万 Spotify 用户。我们描述了在工业规模上生成、评估、优化和维护这些表示所需的端到端生产生命周期，包括快速开发和压缩、用户引导以及与下游个性化系统的集成。由于不存在独特的真实口味概况，因此我们引入了一个多方面的评估框架来评估口味概况作为生产表示：它们独立地携带用户特定的预测信号，并且当与行为嵌入集成时，将未来轨迹预测的 MRR 提高 0.6%，将搜索排名的 NDCG@7 提高 2.2%。我们的评估还表明，口味特征支持积极的自然语言引导，同时暴露出重要的局限性，包括否定和短期时间适应的挑战。这些发现将品味概况定位为不是行为嵌入的替代品，而是作为不断发展的用户上下文和基础模型推荐系统之间的可解释和可操纵的接口。