论文分享 | “大模型个性化”论文集锦

大语言模型在过去一年多的时间里取得了巨大的成功，并逐渐以“个人助手”等应用形式走向实际应用。我们认为，当大模型进一步普及到更广泛的群众、融入人们的日常生活时，增强大模型的个性化能力势在必行，以便为不同用户提供更精准的服务。我们注意到，近期出现了一系列以“大模型个性化”（LLM Personalization）为主旨的研究工作。本文节选了几篇相关内容进行简要介绍，为各位读者提供一个关于该方向的粗略印象。

Teach LLMs to Personalize – An Approach inspired by Writing Education

Cheng Li, Mingyang Zhang, Qiaozhu Mei, Yaqing Wang, Spurthi Amba Hombaiah, Yi Liang, Michael Bendersky

论文摘要

个性化文本生成是一个新兴的研究领域，近年来引起了广泛的关注。这一方向的大多数研究都集中在通过设计定制的特征或模型来专注于特定的领域。在本工作中，我们提出了一种使用大型语言模型（LLMs）进行个性化文本生成的通用方法。受到写作教育实践的启发，我们开发了一个多阶段和多任务框架，用于教授LLMs进行个性化生成。在写作教学中，从源材料写作的任务通常被分解为多个步骤，这些步骤涉及查找、评估、总结、综合和整合信息。类似地，我们的个性化文本生成方法包括多个阶段：检索、排名、总结、综合和生成。此外，我们还引入了一个多任务设置，该设置有助于进一步提高模型的生成能力，这是基于教育观察到的学生阅读能力和写作能力往往相关联的观察。我们在三个公共数据集上评估了我们的方法，每个数据集覆盖了一个不同的且具有代表性的领域。我们的结果表明，与各种基线相比，我们的方法取得了显著的改进。

内容概述

本论文提出了一种针对个性化文本生成的大语言模型教学的一般方法，开发了一个多阶段和多任务框架。该方法类似于学生按步骤从源材料中写作的过程，它包括多个阶段：检索、排名、摘要、综合和生成。此外，该工作受到阅读和写作技能相关性的启发创建了一个多任务设置，通过区分给定文档对作者的身份，提高了模型的阅读能力，进一步提高了模型生成个性化文本的能力。此外，该工作也为未来的工作留下了有价值的研究方向，如探讨现实世界知识（如产品信息）的融入。

Integrating Summarization and Retrieval for Enhanced Personalization via Large Language Models

Chris Richardson, Yao Zhang, Kellen Gillespie, Sudipta Kar, Arshdeep Singh, Zeynab Raeesy, Omar Zia Khan, Abhinav Sethy

论文摘要

个性化即根据个人用户定制系统的能力，是自然语言处理（NLP）系统用户体验中的一个重要因素。随着大型语言模型（LLMs）的出现，关键问题是如何利用这些模型来更好地个性化用户体验。为了个性化语言模型的输出，一种直接的方法是将过去用户的资料融入语言模型的提示中，但这种方法可能导致输入过长，超出输入长度的限制，并产生延迟和成本问题。现有的方法通过选择性地提取与用户相关的资料（即选择性检索）来构建下游任务的提示，但这种方法受限于潜在的信息损失、缺乏对用户更深入的理解以及冷启动挑战。为了克服这些限制，我们提出了一种新型的摘要增强方法，通过将检索增强的个性化扩展到任务相关的用户摘要，这些摘要由LLMs生成并在线生成，从而为像语音助手这样的现实世界系统提供了利用LLMs能力的机会。实验表明，我们的方法在使用75%的检索用户资料的情况下，在LaMP个性化基准测试中的大多数任务上与检索增强方法持平或优于后者。我们展示了通过LLMs的离线摘要生成和实时检索，可以在实际约束下为个性化提供更好的性能，适用于各种任务。

内容概述

本论文介绍了一种新颖的方法，该方法通过离线摘要增强检索，以改善各种自然语言处理（NLP）任务中的个性化问题。具体而言，该工作在离线时生成用户摘要，并存储在与用户数据本身相关联的地方。在生成时，检索的项目以及离线的用户摘要和文本输入构成了创建提示的基础。此外，文章也指出了工作的局限性：1）LaMP基准提供的任务和数据过于简单，范围有限。需要更多的工作来评估方法。2）通过微调更大的语言模型和端到端训练任务，摘要的作用可以得到改善。

Understanding the Role of User Profile in the Personalization of Large Language Models

Bin Wu, Zhengyan Shi, Hossein A. Rahmani, Varsha Ramineni, Emine Yilmaz

论文摘要

利用用户资料对大型语言模型（LLMs）进行个性化处理已被证明能够在广泛的任务上提高性能。然而，用户资料的确切作用及其对LLMs的影响机制仍然不清楚。本研究首先确认，用户资料的有效性主要归功于个性化信息，而不是语义信息。此外，我们还研究了用户资料如何影响LLMs的个性化。在用户资料内部，我们揭示出，对LLMs进行个性化的关键因素是用户生成的或批准的历史个性化响应。这一发现解锁了LLMs在输入长度限制内整合更多用户资料的潜力。至于用户资料的位置，我们观察到，用户资料在输入上下文的不同位置整合，对个性化的贡献并不相同。相反，靠近输入开始位置的用户资料对LLMs的个性化影响更大。我们的发现揭示了用户资料在LLMs个性化中的作用，并展示了如何整合用户资料对性能产生影响，提供了有效利用用户资料的见解。

内容概述

这篇工作主要探讨用户档案在大语言模型（LLM）个性化中的作用，特别关注用户档案的哪些部分对个性化有贡献，以及档案在输入上下文中的位置和顺序对个性化效果的影响。本文主要解决两个问题：1）用户档案是否依赖于语义信息来改进LLM性能，2）用户档案如何影响大型语言模型的个性化。对于第一个问题，结论是语义信息对用户资料有效性的影响小于个性化信息，并且仅在结合个性化信息时对性能提升做出贡献。对于第二个问题，有如下有意思的发现：1）正确的（输入，输出）映射对于个性化并非必要，特别是在非语义输出空间任务中。2）先前输入对个性化的影响有限，不会显著提升模型性能。3）用户认可的历史响应（历史输出）对个性化起关键作用，比输入输出的映射关系和历史输入更重要。4）单独使用用户档案的输出部分能显著增强个性化效果，尤其是在输入上下文长度有限的情况下。5）仅使用输出部分时,越靠近前端的用户资料贡献越大 。

Optimization Methods for Personalizing Large Language Models through Retrieval Augmentation

Alireza Salemi, Surya Kallumadi, Hamed Zamani

论文摘要

本论文研究了通过检索增强方法个性化大型语言模型（LLMs）的策略，这种方法可能对各种应用和领域产生重大影响。我们首次尝试优化为大型语言模型提供有限数量个人文档的检索模型，以实现个性化生成。我们开发了两种优化算法，它们利用下游个性化生成任务的反馈来优化检索：一种基于强化学习，其奖励函数使用任何自定义的个性化生成度量；另一种基于从下游LLM到检索模型的知识蒸馏。此外，我们还引入了一个预生成和后生成检索器选择模型，它根据每个LLM输入决定选择哪个检索器。在LaMP基准的多样任务上进行的广泛实验表明，除一个数据集外，其余六个数据集的性能都有统计学上的显著提升。

内容概述

该研究旨在优化大型语言模型（LLMs）的检索模型（Retriever），通过强化学习和知识蒸馏方法来实现个性化文本生成的任务。文中优化检索模型的两种主要方法是：1）强化学习优化个性化生成检索（ROPG-RL）：利用策略梯度优化算法，通过评估检索文档对LLM性能的影响来优化检索模型。2）知识蒸馏（ROPG-KD）：通过LLM生成个性化文本的性能来教授检索模型，以优先选择有益于LLM的文档。此外，文章也指出了工作的局限性：1）使用静态模板生成LLM的提示。未来可以利用下游LLM性能的反馈来优化提示生成组件。2）LaMP基准的所有数据集都专注于短文本生成任务。未来可以探索个性化长文本生成方法。

HYDRA: Model Factorization Framework for Black-Box LLM Personalization

Yuchen Zhuang, Haotian Sun, Yue Yu, Rushi Qiang, Qifan Wang, Chao Zhang, Bo Dai

论文摘要

个性化已成为现代智能系统中的关键研究领域， 重点在于挖掘用户的行为历史， 以适应其偏好， 提供量身定制的体验。尽管黑盒大型语言模型 （LLMs）展现了显著的少样本能力，但其模型参数的内在不透明性在使生 成输出与个人期望保持一致方面带来了重大挑战。现有的解决方案主要集中在提示设计上，以融入用户特定的档案和行为；然而，由于无法捕捉所有用户之间的共享知识，这些方法往往难以有效泛化。为了解决这些挑战， 我们提出了HYDRA，一个模型分解框架，它既能从历史数据中捕获用户特定的行为模式，又能整合所有用户之间的共享通用知识，以实现个性化生成。为了捕获用户特定的行为模式，我们首先训练一个重排序器，以优先处理从顶部检索到的相关历史记录中最有用的信息。通过将优先级历史与相应的查询结合，我们训练一个适配器，使其输出与个体用户的特定偏好保持一致，从而消除了对访问黑盒LLMs的内在模型参数的依赖。重排序器和适配器都可以分解为具有多个用户特定头的基模型，类似于九头蛇。基模型维护着跨用户的共享知识，而多个个性化头则捕获用户特定的偏好。实验结果表明，HYDRA在LaMP基准的五个多样化个性化任务中，平均相对改善了9.01%，超越了现有的基于提示的最先进方法。

内容概述

这篇论文引入了一种新颖的基于学习的黑盒LLM个性化范式，该模型遵循一个检索-再排序的工作流程，首先为每个用户训练重排序器（Reranker），允许根据用户的查询个性化选择相关的历史信息。然后采用模型分解训练策略来为每个用户训练个性化的适配器（Adapter），以使黑盒LLM的输出与个性化的用户偏好对齐。重排序器和适配器都可以分解为一个具有多个用户特定头的基础模型。基模型维护着跨用户的共享知识，而多个个性化头则捕获用户特定的偏好。该工作通过训练一个带有黑盒LLM适配器的重排序器来实现输出的高效个性化，同时消除了访问模型参数的需求， 为现有的主流技术提供了一个有前景的替代方案。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】