Personalization of Large Language Models: A Survey

大型语言模型（LLM）的个性化最近变得越来越重要，应用范围广泛。尽管个性化非常重要且取得了近期进展，但现有的大多数关于个性化LLM的研究要么完全集中在（a）个性化文本生成，要么集中在（b）利用LLM进行个性化相关的下游应用，如推荐系统。在这项工作中，我们首次弥合了这两个独立方向之间的差距，通过引入一个个性化的LLM使用分类法，并总结了关键差异和挑战。我们提供了个性化LLM基础的正式化描述，整合并扩展了LLM个性化概念，定义并讨论了个性化、使用和期望的新方面。然后，我们通过提出系统化的分类法来统一这些不同领域的文献和使用场景，这些分类法涵盖了个性化粒度、个性化技术、数据集、评估方法和个性化LLM的应用。最后，我们强调了仍需解决的挑战和重要的开放问题。通过使用所提出的分类法统一和综述最近的研究，我们旨在为现有文献和LLM中个性化各个方面的清晰指南提供支持，从而赋能研究人员和实践者。

该论文试图解决个性化大型语言模型（LLMs）在应用中的整合问题，特别是弥合个性化文本生成与利用LLMs进行个性化下游应用（如推荐系统）之间的差距。这是一个相对较新的问题，因为随着LLMs的发展，其在个性化方面的应用也日益受到关注。

论文的关键思路是通过引入一个全新的分类体系来整合和扩展个性化LLMs的概念，定义并讨论了个性化的新方面、用途和期望。此外，论文还提出了针对个性化粒度、技术、数据集、评估方法和应用的系统性分类体系。这一思路不仅整合了现有的研究成果，还为未来的研究提供了清晰的指导框架。

论文的主要亮点包括：1) 提出了一个全面的分类体系，涵盖了个性化LLMs的不同方面；2) 系统地总结了现有文献，为研究人员和实践者提供了明确的指南；3) 强调了个性化LLMs面临的挑战和开放问题，指出了未来研究的方向。论文虽然没有具体提到实验设计和数据集，但强调了评估方法的重要性，并鼓励未来研究进一步探索这些领域。

近期在这个领域的一些相关研究包括：1) 'Personalized Text Generation with Large Language Models'，探讨了如何通过微调LLMs实现个性化文本生成；2) 'Leveraging Large Language Models for Personalized Recommendation Systems'，研究了如何利用LLMs改进推荐系统的个性化能力；3) 'Fine-tuning Large Language Models for Personalized Dialogue Systems'，关注了在对话系统中实现个性化的方法。