作者：Nusrat Jahan Prottasha, Md Kowsher, Hafijur Raman, Ivan Garibay et al.
单位：University of Central Florida, Daffodil International University
来源：ArXiv:2502.10660
时间：2025.02

一、研究背景

二、核心贡献

三、方法

整体框架分为两部分: Profile Construction 和 Profile Updating

Profile Construction(把画像拆分为token序列，由LLM生成，本质上是一个文本生成结构化序列任务)；Profile Updating(修补缺失属性、删除不再正确的属性、覆盖错误属性以及合并旧画像与新信息)

四、实验

1.实验准备

2.实验结果

对于Profile Construction: 微调主要减少了 hallucination 与错误输出;微调帮助模型更全面地覆盖输入中存在的属性;自动化符号匹配指标与语义评估在总体上达成一致（模型生成既正确又自然）

对于Updating Performance: LLM 能学会“保留旧信息 + 整合新信息”的策略

五、总结

1.LLM（尤其 Mistral-7B）在用户画像构建与更新上表现优异，在微调后能达到 ~94–95 的 user-level F1

2.微调收益远大于 zero-shot，提示在特定结构化输出任务上，少量有监督微调仍然是显著提高性能的有效手段

3.Prompt-based LLM 评分（GPT-4/Gemini）和符号指标（F1）一致提升，为结果的可靠性提供了二次验证

4.数据与训练策略（PEFT、schema、prompt）是高性能的关键

六、思考

1.1技术创新——数据拓扑标签计算: 对比神经网络、知识图谱、图神经网络等方法构建用户图像，LLM能够直接理解非结构化文本端到端生成用户画像，并且支持基于新文本的即时画像更新

2.0技术目标——跨域知识结构对比: 感觉可以和多模态大模型一样，将不同类型的数据一同输入，多模态大模型会将其映射到同一特征空间进行理解处理

3.0应用场景——食养通: 可以对照片上扫描出来的文字进行标签提取，提取出对应的营养成分或添加剂，以此再进行评分估计；或者根据扫描出来的营养成分分为对应的食品类别