User Modeling in the Era of Large Language Models: Current Research and Future Directions
本文属于LLM系列文章，基于《User Modeling in the Era of Large Language Models: Current Research and Future Directions》的翻译。
大语言模型时代的用户建模：研究现状与发展方向
- 摘要
- 1 引言
- 2 背景
- 3 动机：LLM在用户建模中的应用基于什么？
- 4 分类：LLM在用户建模中的应用
- 5 LLM-UM方法：LLM在用户建模中的具体应用
- 6 LLM-UM应用：LLM在用户建模中的实际应用
- 7 挑战与未来方向：LLM在用户建模中的应用面临哪些挑战？未来的发展方向是什么？
- 8 结论：LLM在用户建模中的应用现状如何？未来的发展方向是什么？
摘要
用户建模（UM）旨在识别用户数据中的模式并学习特定用户特征的表示，如个人资料、偏好和个性。这些用户模型能够在推荐系统、教育平台和医疗保健系统中实现个性化服务和异常行为检测。常见的用户数据类型包括文本和图形，因为这些数据通常包含大量用户生成的内容（UGC）和在线交互。在过去的二十年里，文本和图形挖掘的研究取得了显著进展，为众多关键解决方案提供了理论基础和实践支持。最近，大型语言模型（LLM）在生成、理解和推理文本数据方面展现了卓越的能力。当前，LLM已成功应用于用户建模领域，并因其卓越性能而迅速崛起。本文旨在总结现有研究，探讨大型语言模型如何以及为何成为建模和理解UGC的优秀工具。随后，文章回顾了几种集成LLM与文本/图形方法的大型语言模型（LLM-UM）方法。接着，文章介绍了适用于不同用户建模应用场景的LLM-UM技术。最后，文章探讨了当前LLM-UM研究面临的主要挑战以及未来发展方向。我们将阅读清单保存在：https://github.com/TamSiuhin/LLM-UM-Reading。
1 引言
2 背景
3 动机：为什么LLM用于用户建模？
4 分类
5 LLM-UM的方法
6 LLM-UM的应用
7 挑战与未来方向
8 结论
我们对大型语言模型在用户建模方面的应用进行了系统性、全面性调查。研究结果表明，LLM在提升用户建模能力、理解和分析用户生成内容（UGC）以及用户交互方面具有显著优势。在现有LLM-UM研究领域，我们对基于文本和图的用户建模技术进行了分类整理。具体而言，我们按照LLM在增强、预测、控制和评估用户建模过程中的作用，将其分为四种类型。随后，我们按照现有LLM-UM技术的应用场景对这些方法进行了分类。最后，我们总结了LLM-UM领域当前面临的主要挑战，并对未来研究方向进行了展望。这项研究为LLM-UM领域的从业者和研究人员提供了一本实用的指南，旨在激发更多人对该领域深入探索的兴趣和研究工作。