数据更多仍然不够：生成式 AI 个性化中的上下文充足性前沿

arXiv:2610.00654v1 公告类型：cross 摘要：个性化长期以来依赖客户数据来推断个人可能看重什么。我们将其称为客户证据：客户的历史行为和偏好。生成式 AI 通过允许服务提供方在生成响应时提供不断变化的情境信息，扩展了个性化能力，而无需预先编码每一种条件。我们将提供方侧上下文定义为有关当前什么是可行、被允许或可取的信息。这种灵活性带来了一个新问题：一旦上下文变得易于提供，更多并不一定更好。我们提出了一个上下文充足性理论，其中上下文与客户当前意图的相关性比其数量更为重要。该理论确定了四种状态：不足、充足、饱和和干扰，并引入上下文充足性前沿，以定位最小相关集合。在一家大型家居用品零售商的生成式推荐系统中进行的全因子实验表明，相关上下文提升了推荐的适切性，而无关上下文则降低了适切性，并使检索变得不稳定。该框架推动个性化从提供更多上下文转向识别当前交互实际需要什么，并在整个服务流程中执行约束。