长按二维码,关注官方公众号
OmniUser：基于大模型的用户理解新范式 
用户理解与建模是推荐系统的核心内容之一，传统范式的用户理解主要从序列和协同出发，这一建模范式在抖音推荐系统、特别是UGC推荐系统中存在高热噪声、推理缺失、精细化程度不足等问题。
我们提出OmniUser：以百亿参数LLM为核心，在Test-Time Scaling+SFT+RLHF框架下融合内容理解先验，生成可解释身份、兴趣白盒画像与隐式黑盒表征，在多个推荐场景下获得实际业务收益。
演讲提纲：
1. 背景 抖音UGC业务背景与现有方案
2. 方案 基于大模型的用户理解
a. 白盒用户画像
i. 用户身份画像
ii. 用户兴趣画像
b. 黑盒用户表征
3. 落地应用现状
4. 未来展望
听众收益：
1. LLM如何应用于推荐系统用户理解，并取得业务收益
2. 推荐场景下如何提升LLM推理能力
落地挑战和方案重点：
1. LLM在推荐协同知识方面不足（包括用户知识和物品知识），影响推荐效果与效率
2. LLM推理链路建设，平衡成本与效果
硕士毕业于中科院自动化所，现任字节跳动算法工程师。曾于微信、微软、滴滴、上海AiLab等实习，从事大模型、推荐系统、强化学习等领域并在 EMNLP、NeurIPS、ICRA等顶会发表多篇论文，并获MSRA “明日之星” 等荣誉。
