欢迎加入
「易源易彩交流群」
「易源易彩交流群」
QQ扫码进群
（QQ群号：860213912）
注册得好礼
新用户微信注册享20元算力, >立即注册
关注公众号得算力
新用户关注易彩微信公众号享20元算力，
邀请有礼
邀请1人得5元算力，可累计叠加, 查看规则
摘要
本文介绍了一种基于大型语言模型的新颖性推荐算法，被选为AAAI-PerFM的一部分。研究团队通过分析用户在移动应用中的搜索行为构建兴趣挖掘模型，以应对信息过载背景下的个性化推荐挑战。鉴于搜索行为数据存在稀疏性问题，未来工作将整合点击、浏览和收藏等多种用户交互行为，探索大型语言模型在多行为融合场景下对用户潜在兴趣的刻画能力，并进一步验证兴趣建模是否遵循与数据规模相关的扩展规律。
关键词
语言模型, 兴趣挖掘, 搜索行为, 多行为融合, 新颖推荐
在个性化推荐系统日益依赖用户行为数据的背景下，搜索行为作为反映用户即时意图的重要信号，其数据稀疏性问题正成为兴趣建模中不可忽视的瓶颈。由于用户在移动应用中的主动搜索频次相对较低，且关键词表达高度碎片化，导致单一搜索日志难以全面覆盖用户的潜在兴趣维度。这种稀疏性不仅限制了模型对用户长期偏好与短期需求之间关系的判别能力，也削弱了推荐结果的新颖性与准确性。研究团队指出，当前基于搜索行为构建的兴趣挖掘模型虽能捕捉显性意图，但在面对低频、冷启动或长尾查询时表现乏力。为缓解这一困境，未来计划整合点击、浏览和收藏等多种用户交互行为，以丰富输入信号的密度与多样性。通过多行为数据的协同补全，有望提升大型语言模型对用户隐性兴趣的推理能力，从而在数据稀疏条件下实现更稳健的兴趣表征。
移动环境下的用户搜索行为呈现出显著的情境依赖性与碎片化特征。用户往往在短时间内输入简短、模糊甚至不完整的查询词，反映出其追求快速响应与高效获取信息的心理预期。这类行为不仅受限于移动端输入方式的不便，也受到使用场景频繁切换的影响，例如通勤、等待或碎片化闲暇时间中的短暂操作。研究团队通过分析用户在移动应用中的搜索日志发现，搜索行为虽具有高意图明确性的优势，但其发生频率远低于其他被动交互行为，如点击、浏览或收藏。这一特性进一步加剧了数据稀疏问题，使得仅依赖搜索记录进行兴趣建模存在明显局限。因此，探索如何利用大型语言模型强大的语义理解与上下文推断能力，从有限的搜索行为中提取深层兴趣线索，并结合其他行为模式进行联合建模，成为提升新颖性推荐性能的关键路径。
大型语言模型为用户兴趣的深层建模提供了全新的理论视角。传统推荐系统多依赖协同过滤或浅层行为统计，难以捕捉用户兴趣的语义复杂性与动态演化特征。而基于大型语言模型的兴趣描述框架，则试图通过其强大的上下文理解与生成能力，将碎片化的搜索行为转化为结构化的潜在兴趣表征。该框架的核心在于，将用户的每一次搜索输入视为一种“语言化意图表达”，并利用预训练语言模型对文本的深层语义进行编码，从而挖掘出关键词背后隐藏的兴趣主题与认知动机。研究团队指出，在信息过载的移动应用环境中，这种以语义为中心的建模方式能够有效缓解因行为稀疏带来的表征偏差问题。更重要的是，语言模型所具备的知识泛化能力使其能够在低频或冷启动场景下，基于已有语义网络推断出用户可能感兴趣的内容范畴。未来工作将进一步探索该理论框架在融合点击、浏览和收藏等多行为数据时的适应性，验证其是否能在更丰富的交互背景下持续提升对用户潜在兴趣的刻画精度，并检验兴趣建模过程是否遵循与数据规模相关的扩展规律。
在实际建模过程中，研究团队采用基于上下文感知的嵌入技术，将用户在移动应用中的搜索行为序列转化为高维语义向量空间中的动态轨迹。大型语言模型通过对搜索词的语法结构、领域术语及上下文关联进行联合分析，实现对用户即时意图与长期偏好的解耦表示。例如，当用户输入“轻便徒步鞋”时，模型不仅能识别其表面需求，还能结合历史行为模式与通用知识库，推断出其可能关注户外运动、季节性穿搭或旅行装备等相关兴趣维度。这种由语言驱动的兴趣提取机制，突破了传统标签体系的局限，使推荐系统具备更强的语义推理能力。为进一步增强表示的鲁棒性，研究团队计划引入点击、浏览和收藏等多种用户交互行为作为辅助信号，构建多模态输入通道。通过注意力机制对不同行为类型赋予差异化权重，模型可自动识别最具判别力的行为片段，并融合生成统一的兴趣表征向量。这一方法不仅提升了对稀疏搜索数据的利用率，也为探索大型语言模型在多行为融合场景下的可扩展性奠定了技术基础。
该基于大型语言模型的新颖性推荐算法已被选为AAAI-PerFM的一部分，标志着其在学术前沿场景下的初步认可。在当前的评估阶段，研究团队依托真实用户在移动应用中的搜索行为数据，构建了兴趣挖掘模型，并在AAAI-PerFM设定的基准测试环境中进行了性能验证。结果显示，该算法在捕捉用户即时意图方面展现出较强的语义敏感性，尤其在处理碎片化、简短且模糊的搜索输入时，能够借助语言模型的上下文推理能力生成更具相关性的推荐候选。尽管尚未引入点击、浏览和收藏等多行为融合机制，现有模型已在冷启动情境下表现出优于传统方法的趋势。评审反馈指出，该算法在新颖性指标上的提升尤为显著，说明其具备激发用户潜在兴趣的能力。然而，评估也揭示出在高稀疏性条件下，单一依赖搜索行为仍难以稳定维持长期兴趣表征的一致性。这一发现进一步印证了研究团队对未来多行为融合路径的规划具有现实必要性。AAAI-PerFM平台的认可不仅为该算法提供了权威验证通道，也为后续探索大型语言模型在个性化推荐中的扩展规律奠定了坚实基础。
相较于传统推荐系统主要依赖协同过滤或基于统计的行为建模方式，本文提出的基于大型语言模型的兴趣挖掘方法在语义理解深度与动态适应能力上展现出明显差异。传统系统往往受限于显式交互数据的覆盖率，在面对低频搜索或新用户时容易陷入推荐同质化困境；而该算法通过将搜索行为视为语言化意图表达，利用预训练语言模型的泛化能力，有效缓解了因数据稀疏带来的表征偏差问题。实验对比显示，在相同测试集下，该方法在推荐新颖性与语义相关性维度均优于传统基准模型，尤其是在识别长尾查询背后的潜在兴趣主题时表现更为稳健。此外，传统系统通常需大量历史交互数据才能建立有效用户画像，而本算法借助语言模型内嵌的知识结构，能够在有限行为输入下进行合理推断，展现出更强的冷启动适应性。尽管目前尚未完全整合点击、浏览和收藏等多源行为信号，但其初步优势已表明，以大型语言模型为核心的兴趣建模范式，有望突破传统推荐技术在行为密度与语义解析之间的瓶颈，推动个性化推荐向更高层次的认知理解演进。
在当前基于大型语言模型的兴趣挖掘框架中，研究团队已明确将多行为数据融合视为突破搜索行为稀疏性瓶颈的关键方向。尽管现有模型仅依赖用户在移动应用中的搜索行为构建兴趣表征，但其局限性已在评估中显现——单一行为信号难以支撑对用户潜在兴趣的全面刻画。为此，未来工作计划整合点击、浏览和收藏等多种用户交互行为，形成更为稠密且多层次的行为输入序列。这一技术路径的核心在于，利用大型语言模型强大的语义理解能力，将不同类型的行为转化为统一的语言化表达形式，从而实现跨行为模态的语义对齐与联合建模。例如，用户的“收藏”行为可被解析为“长期价值判断”的语言信号，“浏览时长”则可能对应“注意力集中度”的上下文线索。通过将这些行为重新编码为模型可理解的文本化描述，语言模型能够在高维语义空间中捕捉不同行为之间的隐性关联，进而生成更具解释性的兴趣轨迹。该路径不仅有望提升模型在冷启动和长尾场景下的推荐性能，也为探索兴趣建模是否遵循与数据规模相关的扩展规律提供了可行的技术基础。
为了有效融合点击、浏览和收藏等多元交互行为，研究团队提出采用基于注意力机制的特征提取与动态权重分配策略。每种用户行为都被视为反映特定兴趣维度的信号源：点击体现即时偏好，浏览反映信息探索过程，收藏则暗示长期价值认同。在建模过程中，系统首先通过上下文感知的嵌入技术，将各类行为转化为语义向量，并送入大型语言模型进行联合编码。随后，注意力机制自动评估各行为在特定情境下的判别力，赋予其相应的权重。例如，在用户频繁浏览某类内容但未产生点击的情况下，模型可能增强“浏览”行为的权重，以捕捉其潜在兴趣的萌芽状态。这种动态调节机制避免了传统加权方法中人为设定参数的主观性，使模型能够根据实际行为模式自适应地优化兴趣表征。更重要的是，该方法提升了对稀疏搜索数据的补偿能力，使得即使在缺乏明确搜索意图时，系统仍可通过其他交互行为推断用户兴趣。这一特征提取与权重分配机制，为探索大型语言模型在多行为融合场景下的可扩展性提供了坚实的技术支撑。
在当前个性化推荐系统的研究范式中，数据规模是否直接影响兴趣建模的有效性，正成为一个亟待验证的核心命题。研究团队指出，尽管现有模型已基于用户在移动应用中的搜索行为构建了初步的兴趣挖掘框架，但其在面对低频、冷启动或长尾查询时仍表现乏力，这暴露出单一行为信号在数据密度上的根本局限。为突破这一瓶颈，未来工作将整合点击、浏览和收藏等多种用户交互行为，探索大型语言模型在融合多行为数据时对用户潜在兴趣的刻画能力，并进一步检验兴趣建模过程是否遵循与数据规模相关的扩展规律。随着输入行为序列的丰富，模型有望从稀疏的显性反馈转向稠密的隐性意图推断，从而实现从“看到什么”到“理解为什么”的跃迁。这种由量变引发质变的可能性，不仅关乎推荐性能的提升路径，更触及智能系统认知演化的基本逻辑——当数据规模持续扩大，兴趣表征是否会呈现出可预测的增强趋势？这一问题的答案或将重塑我们对用户建模本质的理解。
大型语言模型之所以成为兴趣挖掘的新引擎，关键在于其卓越的泛化能力与相对高效的数据利用机制。即便在搜索行为高度稀疏的情境下，该模型仍能借助预训练阶段积累的广泛语义知识，对用户输入的碎片化关键词进行深层意图解析。例如，当用户仅输入“轻便徒步鞋”时，模型不仅能识别其表面需求，还能结合上下文推断出户外运动、季节性穿搭或旅行装备等相关兴趣维度，展现出超越传统协同过滤方法的认知灵活性。这种内嵌于语言模型中的知识迁移能力，使其在冷启动场景中表现出优于传统基准的趋势，说明其具备较强的数据效率优势。然而，评审反馈也指出，在高稀疏性条件下，仅依赖搜索行为难以稳定维持长期兴趣表征的一致性。因此，未来将通过引入点击、浏览和收藏等多源行为信号，进一步测试模型在不同数据密度下的适应边界，以系统评估其泛化能力是否随行为模态的增加而持续增强。这一分析不仅关乎技术优化方向，更承载着对“智能如何从数据中生长”这一深层命题的探索期待。
本文提出了一种基于大型语言模型的新颖性推荐算法，已被选为AAAI-PerFM的一部分。研究团队通过分析用户在移动应用中的搜索行为构建兴趣挖掘模型，应对信息过载背景下的个性化推荐挑战。针对搜索行为数据稀疏性问题，未来计划整合点击、浏览和收藏等多种用户交互行为，探索大型语言模型在多行为融合场景下对用户潜在兴趣的刻画能力，并进一步验证兴趣建模是否遵循与数据规模相关的扩展规律。该框架展现出在冷启动和长尾场景下的优势，尤其在推荐新颖性方面表现突出，为个性化推荐系统向更高层次的认知理解演进提供了可行路径。