本文介绍了个性化对于自然语言理解和生成的重要性，并引入了 LaMP 基准测试-一种用于训练和评估用于生成个性化输出的语言模型的新基准测试。LaMP 提供了一个包含多样化语言任务和每个用户配置文件的多个条目的全面评估框架。它由七个个性化任务组成，横跨三个分类任务和四个文本生成任务。我们还提出了一种检索增强方法，该方法从用户配置文件中检索个性化项，以构造大型语言模型的个性化提示。我们的基线零-shot和微调模型结果表明，利用配置文件增强的 LM 优于不考虑配置文件信息的其同类。

Apr, 2023

大型语言模型在个性化中的应用、挑战和潜在利用方式的讨论。

Jul, 2023

通过使用离线总结和运行时检索，我们提出了一种新颖的基于总结的方法，扩展了基于检索的个性化，以实现更好的实时系统性能，并在实际约束下取得了更好的个性化性能。

Oct, 2023

通过与用户与搜索引擎的交互历史相关的上下文，我们提出了一种新颖且通用的方法，用于个性化输出，这对于理解用户当前的搜索背景以及他们历史上知道和关心的内容是必要的。我们验证了我们的方法在上下文查询建议的任务上优于几个其他LLM基准方法，生成了在上下文中更相关、个性化和有用的查询建议。

Nov, 2023

通过个性化参数高效调整的方法(OPPU)，将用户个性化模型与非参数化知识相结合，实现个性化推荐和隐私保护。实验结果表明，OPPU在处理用户行为转变、用户活跃水平建模、用户历史记录格式以及不同调整方法方面具有出色的性能。

Feb, 2024

通过引入Persona-DB框架，本文从一个新的角度考虑数据如何更好地表示，以实现对大型语言模型(LLMs)定制过程中更高效的检索，同时在多个实验中展示了Persona-DB在任务上下文中的泛化能力和在冷启动情况下的显著改进。

Feb, 2024

我们提出了从用户角度对大型语言模型进行基准测试，旨在更好地反映实际用户需求，并且我们还构建了用户报告场景数据集以及对10个语言模型服务在满足用户需求方面的基准测试。

Apr, 2024

人们使用大型语言模型的目的，以及这些模型的部署决策、人类泛化功能的一致性，以及大型语言模型与人类泛化功能的一致性评估对于模型在特定任务上的表现至关重要。

Jun, 2024

通过模型分解与知识捕捉，HYDRA提供了一种个性化生成的解决方案，实现了用户特定行为模式与共享知识的结合。在LaMP基准测试中，HYDRA相对于现有的基于提示的方法平均相对改进9.01％。

Jun, 2024

本研究解决了个性化大语言模型在用户偏好多样性方面的缺乏，提出了一种新颖的用户特定嵌入模型，通过轻量级插件模块建模用户历史上下文，以增强LLMs对用户习惯的理解。实验结果表明，该模型在多个语言模型个性化任务中显著优于现有方法，具有良好的应用潜力。

Sep, 2024