用户行为序列如何高效输入大模型
哪些公司问过
答案要点
- 长度控制:近期行为截断保留,长期行为去重、采样、分桶聚合或按目标物品检索相关子序列
- 文本化输入:标题、类目、行为类型、时间拼成提示词,语义强但 token 开销大
- 向量化输入:行为 embedding 经投影层映射为软 token,序列短、需对齐训练
- 长期兴趣离线预计算摘要或向量缓存,近期行为在线增量拼接,兼顾实时性与延迟
- 可用注意力或池化先聚合序列,再交给大模型做理解或生成
易错点
- 把全部历史行为原样文本化塞进上下文,导致成本和延迟失控
- 只截断最近行为而丢掉长期兴趣,个性化信号不足
- 向量化软 token 不做对齐训练,大模型无法理解这些输入
面试官常见追问
- 用户搜「夏天穿什么」,大模型如何结合天气、地域、画像做个性化推荐?
- 大模型推荐如何缓解信息茧房?
- 推荐文案的点击率、转化率怎么评估,AB 实验怎么设计?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。