小红书精读：When LLM-Based User Profiling Adds Value in Production Streaming Recommendation

LLM做用户画像，别急着全量上线🧪

各位算法同学们，LLM生成用户画像不是万能钥匙：这篇生产流媒体推荐论文发现，聚合质心在习惯型用户上更稳，LLM只对探索型用户有准确率增益。它真正回答的是，贵出来的LLM画像什么时候才该上。

📄 When LLM-Based User Profiling Adds Value in Production Streaming Recommendation

🔧 2×2设计：表示类型分SBERT质心与LLM自然语言摘要，时间处理分全历史与短期/长期注意力融合，得到Centroid、TemporalCentroid、Narrative、TemporalNarrative四种策略。

🧩 控制变量干净：物品embedding、下游MLP、训练和评估全一致，唯一变量是用户画像向量怎么构造，方便看画像设计本身。

⚙️ 结论分人群：习惯型用户上聚合方法占优；探索型用户未来消费和过去行为偏离时，LLM画像才有准确率收益。

📊 四个策略、2×2交叉、top-K全目录打分，都在同一套生产数据协议下比，不是拿公开电商benchmark直接外推。

📈 反直觉：LLM让单条推荐列表略更多样，但系统整体更集中到更小、更热门的内容子集，目录覆盖率和推荐新颖度有可测下降。

✅ 时间窗口超参有工作区间，别默认短期/长期切分一定涨点；论文把部署代价和收益分开看。

总结：做内容推荐、候选集大、用户行为异质的话，这篇可以当上线检查表。别先问LLM画像能不能涨AUC，先按用户分层看探索型占比，再盯覆盖率和novelty，和聚合质心做A/B。坑是LLM画像成本、刷新频率和工程复杂度，别全量替换默认策略。

原文：AlphaXiv