arXiv cs.CL· Avinandan Bose, Shuyue Stella Li, Faeze Brahman, Pang Wei Koh, Simon Shaolei Du, Yulia Tsvetkov, Maryam Fazel, Lin Xiao, Asli Celikyilmaz·· 10 小时前AI 评分31
CAPE：用贝叶斯自适应提问实现冷启动个性化
Cold-Start Personalization via Bayesian Adaptive Questioning
AI 导读
CAPE（Cold-start Adaptive Preference Elicitation）通过离线学习偏好相关性的结构化世界模型、在线做免训练贝叶斯推理来选问题并补全用户偏好画像。在医学、数学、社交与常识推理任务上，其偏好对齐率达 80.8%，RL 为 68.5%，交互次数减少 2.5 倍至 15 倍以上，提问调整频率是 RL 的两倍。
正文 · AI 翻译
摘要：冷启动个性化需要在没有用户特定历史数据的情况下，从极少的交互中推断偏好。可能的偏好空间非常庞大，但用户只关心其中稀疏的一小部分，且很少会事先明确表达；再加上交互预算有限，这使得偏好引导颇具挑战性。我们的关键洞见是：偏好在不同人群之间呈现出可预测的结构；例如，想要详细解释的用户往往也看重示例讲解。我们提出 CAPE（冷启动自适应偏好引导），它从完整画像中离线学习偏好相关性的结构化世界模型，然后在线上执行无需训练的贝叶斯推断，以选择信息量大的问题并预测完整的偏好画像，包括从未被问及的维度。即使采用简单的信念模型实例（例如线性回归），也大幅优于端到端强化学习。在医学、数学、社交和常识推理领域，CAPE 与真实用户偏好的一致率达到 80.8%，而强化学习为 68.5%；所需交互次数减少 2.5 倍至 15 倍以上，且其问题调整频率是强化学习的两倍。我们的贡献是对冷启动个性化进行了一种有原则的分解，使贝叶斯偏好引导能够在 LLM 系统中大规模实用化。
| 评论： | 26 页，4 幅图，10 张表 |
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2602.15012 [cs.CL] |
| （或 arXiv:2602.15012v2 [cs.CL] 为此版本） | |
| https://doi.org/10.48550/arXiv.2602.15012 arXiv 颁发的 DOI 经由 DataCite |
提交历史
来自：Shuyue Stella Li [查看邮箱]
[v1]
2026 年 2 月 16 日星期一 18:52:13 UTC（2,273 KB）
[v2]
2026 年 11 月 10 日星期二 03:29:41 UTC（1,992 KB）
来源：arXiv cs.CL · arxiv.org