ExPerT：結合語意與打字行為的查詢式大型語言模型個人化框架
隨著大型語言模型在使用者端的應用日益增多，傳統僅依賴靜態個人檔案或文字訊號的個人化方法已無法捕捉使用者在不同領域查詢時的專業程度差異。研究團隊提出 ExPerT，一套以查詢為單位的個人化系統，透過同時解析查詢文字與打字動態，推斷使用者的領域專業度，並根據推斷結果調整回應的細節、術語與概念深度。
大型語言模型（LLM）在終端使用者中的使用率持續攀升，但現有的個人化方法多依賴靜態個人檔案或僅分析文字訊號，難以捕捉使用者在不同查詢領域的專業度變化。
ExPerT 架構概述
研究團隊提出 ExPerT，一套查詢式個人化框架，核心包括兩個模組：
- 語意‑行為專業推論模組：透過在 LLM 內部的即時提示，結合查詢文字與使用者的鍵入動態（如敲擊速率、停頓模式）共同推斷領域專業度。
- 專業條件化回應生成：根據推論出的專業層級，自動調整回應的細節程度、術語選擇與概念複雜度。
使用者實驗結果
實驗邀請 40 名參與者，總計提交 1270 筆查詢。相較於最強基線（平均絕對誤差 1.162），ExPerT 的專業推論誤差降至 0.398，減少 65.7%。在 5 分制的滿意度評分上，使用者平均分數從 3.71 提升至 4.36，增幅 17.52%。
結果顯示，結合語意與行為訊號的個人化方式能顯著提升 LLM 回應的準確性與使用者滿意度。
延伸閱讀
- x402 微付款標準的隱私風險與 Presidio‑Hardened‑x402 中介層解決方案
- AI-native 資產情報：以情境感知評分驅動資安優先排序
- 多代理網路中的記憶繼承：LLM代理的攻擊路徑與防禦設計
原始來源：ArXiv AI
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
