Textual User Taste: Natural-Language User Context for Foundation-Model Recommender System at Scale
作者: Ghazal Fazelnia, Paul Gigioli, Eliza Klyce, Sharon Zheng, Katie Zelvin, Ye Myat Thein, Anurag Deshpande, Seda Davtyan, Kate Remeika, Maya Hristakeva, Erik Franco, Karen Banzon, Peng Ge, Jacqueline Wood, Nandini Singh, David Murgatroyd, Mounia Lalmas, Yves Raimond, Andreas Damianou
分类: cs.AI
发布日期: 2026-09-28
💡 一句话要点
提出文本用户品味以优化推荐系统用户上下文问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 推荐系统 用户上下文 自然语言处理 行为嵌入 个性化服务
📋 核心要点
- 现有推荐系统依赖于行为嵌入向量，缺乏用户上下文的透明性和可解释性，限制了用户交互体验。
- 提出文本用户品味系统，通过自然语言生成用户品味档案，增强用户上下文的可理解性和可操作性。
- 实验结果表明，文本用户品味与行为嵌入结合后，MRR和NDCG@7分别提升0.6%和2.2%，显示出显著的性能改进。
📝 摘要（中文）
基础模型推荐系统需要可被大型语言模型处理的用户上下文，传统的行为嵌入向量虽然在检索和排序中有效，但对用户而言不够透明，且不适合语言模型工作流。本文提出了文本用户品味系统，从用户的听歌行为、互动信号、内容元数据和可选用户反馈中生成结构化的自然语言品味档案，并将其部署到数百万Spotify用户中。我们描述了生成、评估、优化和维护这些表示的生产生命周期，包括提示开发、压缩、用户引导和与下游个性化系统的集成。由于没有唯一的真实品味档案，我们引入了多维评估框架，评估品味档案的生产表示：它们独立携带用户特定的预测信号，并与行为嵌入结合时，未来曲目预测的MRR提升0.6%，搜索排名的NDCG@7提升2.2%。
🔬 方法详解
问题定义：本文旨在解决传统推荐系统中用户上下文不透明的问题，现有的行为嵌入向量无法有效传达用户的真实品味和偏好。
核心思路：提出文本用户品味系统，通过分析用户的听歌行为和互动信号，生成结构化的自然语言品味档案，以便更好地与大型语言模型进行交互。
技术框架：系统包括数据收集、品味档案生成、用户反馈整合、评估与优化等多个模块，确保在工业规模下高效运作。
关键创新：引入多维评估框架来评估品味档案的有效性，使其不仅作为行为嵌入的补充，还能独立提供用户特定的预测信号。
关键设计：在生成品味档案时，采用了特定的提示开发和压缩技术，确保生成的档案既简洁又富有信息量，同时设计了用户引导机制以提升用户体验。
🖼️ 关键图片
📊 实验亮点
实验结果显示，文本用户品味与传统行为嵌入结合后，未来曲目预测的MRR提升了0.6%，搜索排名的NDCG@7提升了2.2%，证明了该方法在推荐系统中的有效性和实用性。
🎯 应用场景
该研究的潜在应用领域包括音乐推荐、视频推荐及其他内容个性化服务。通过提供更透明和可解释的用户品味档案，能够显著提升用户的交互体验和满意度，未来可能在更多领域推广应用。
📄 摘要（原文）
Foundation model recommender systems require user context that can be consumed by large language models, reasoned over, and refined through natural-language interaction. Traditional behavioral embedding vectors remain highly effective for retrieval and ranking, but they are opaque to users and not natively expressed for language model workflows. We present Textual User Taste, a system that generates structured natural-language taste profiles from listening behavior, interaction signals, content metadata, and optional user feedback, and deploys them to millions of Spotify users. We describe the end-to-end production lifecycle required to generate, evaluate, optimize, and maintain these representations at industrial scale, including prompt development and compression, user steering, and integration with downstream personalization systems. Because no unique ground-truth taste profile exists, we introduce a multi-faceted evaluation framework to evaluate taste profiles as a production representation: they carry user-specific predictive signal independently, and when integrated with behavioral embeddings, improve MRR by 0.6% for future-track prediction and NDCG@7 by 2.2% for search ranking. Our evaluation also reveals that taste profiles support positive natural-language steering, while exposing important limitations, including challenges with negation and short-term temporal adaptation. These findings position taste profiles not as replacements for behavioral embeddings, but as an interpretable and steerable interface between evolving user context and foundation-model recommender systems.