LLM用户画像在生产流媒体推荐中何时真正增值
原标题：When LLM-Based User Profiling Adds Value in Production Streaming Recommendation
AI 摘要
该论文在真实生产流媒体推荐数据集上系统比较了四种语义用户画像策略，按表示类型（聚合式物品嵌入 vs. LLM生成的自然语言摘要）和时间处理（全历史 vs. 短期/长期注意力融合）进行2×2交叉实验。结果显示，LLM画像的优势具有用户分群条件性：对习惯型用户聚合方法更优，对探索型用户LLM方法能带来准确率提升。此外，LLM画像虽使单条推荐列表略更多样，却导致系统整体集中于更小、更热门的物品子集，降低目录覆盖率和推荐新颖度。作者据此认为简单聚合方法仍是稳健默认选择，LLM画像的高成本只应在能带来可测收益的用户分群上选择性使用。
正文节选
When LLM-Based User Profiling Adds Value in Production Streaming Recommendation Abstract. Personalized recommendation depends critically on how user representations are constructed from historical behavior. Two paradigms have emerged for constructing semantic user profiles in content-based recommendation. First, aggregate methods derive user representations as numerical aggregates of semantic item embeddings. Second, LLM-based methods generate natural-language summaries of user preferences and e