LATTE：预测同伴锚定偏好轨迹以实现个性化 LLM 生成

针对冻结大语言模型的个性化生成，现有方法常将用户历史压缩为静态档案，混淆了稳定身份、近期漂移及内容特征。本文提出 LATTE 框架，将个性化建模为预测“同伴锚定”的相对偏好状态。该方法通过减去同类用户对相同物品的响应基线，提取用户特异性状态，并利用轻量序列预测器 forecast 下一状态，最终通过单个锚定软 token 注入模型。实验表明，LATTE 在 Amazon Reviews 2023 等数据集上显著优于检索、摘要记忆及静态潜在档案等基线，证明了轨迹 forecasting 在捕捉动态用户偏好方面的有效性。