阿里：构建生成式用户画像

📖标题：UserGPT Technical Report
🌐来源：arXiv, 2605.08766v1

🛎️文章简介
🔸研究问题：如何解决传统基于标签的用户画像方法存在的逻辑不一致、长尾行为泛化能力差，以及现有大语言模型在复杂隐式个性化推理中表现不足的问题？
🔸主要贡献：提出了 UserGPT 框架，通过行为模拟引擎、数据语义化流水线及课程驱动的后训练策略，显著增强了大模型对用户长期行为历史的推理与总结能力。

📝重点思路
🔸构建用户行为模拟引擎，利用人格驱动代理和环境交互代理生成包含多年生命周期、具备逻辑一致性和噪声的真实感用户行为轨迹，解决真实数据稀缺问题。
🔸设计以数据为中心的语义化模块，通过微观实体细化去除营销噪声并补充稀疏信息，结合宏观时空行为语料构建，将杂乱日志转化为结构化、高密度的多源用户行为序列。
🔸提出课程驱动的后训练范式，包含多阶段监督微调（从标准问题到争议问题再到综合总结）和双过滤组相对策略优化强化学习，逐步提升模型的时序推理和逻辑一致性能力。
🔸建立整体人格推理基准 HPR-Bench，涵盖原子属性推断和用户画像总结两个任务，通过多层级质量控制和人工验证，为评估大模型的用户理解能力提供标准化测试集。

🔎分析总结
🔸UserGPT 在原子标签预测任务上 Avg@10 得分达 0.7325，在画像总结任务上 Acc Ex 得分达 0.7528，性能媲美或超越参数量大数十倍的顶尖基座模型。
🔸生成的用户画像总结能将平均 15K token 的行为历史压缩至 1.2K token，压缩率高达 97.9%，同时保持了约 97.5% 的核心信息覆盖率。
🔸消融实验证明，仅使用高质量争议样本训练比混合数据效果更好，且多阶段课程学习策略能有效平衡原子属性准确性与综合叙述的连贯性。
🔸即使是最先进的通用大模型，在未经过领域特定适配时，在处理家庭背景等复杂维度及区分临时意图与稳定偏好方面仍存在显著缺陷。

💡个人观点
论文采用生成式叙事来构建用户画像，构建了一套完整的数据闭环。