超越检索：学习紧凑用户表示以实现可扩展的 LLM 个性化

针对大语言模型个性化中检索方法敏感及参数微调成本高的问题，本文提出 TAP-PER 框架。该方法受推荐系统启发，将用户建模分解为用户状态与查询条件组件，并引入时间信号捕捉兴趣演变。通过学习轻量级前缀嵌入编码用户偏好，取代显式提示构建和重型适配器。实验表明，TAP-PER 在多项任务上优于基线，且显著降低了每用户参数量，实现了高效可扩展的个性化。