여러 데이터 보호법은 관리자의 의도와 관계없이 정치적 견해를 드러내는 데이터 처리를 제한합니다. 그러나 추천 시스템이 관련성 최적화의 부산물로 이러한 처리를 수행하는지는 아직 측정된 바 없습니다. 본 연구에서는 프랑스의 자원봉사자 682명에게 제공된 250만 건의 '팔로우 추천(Who to Follow)' 데이터를 바탕으로, X의 추천 시스템이 26,509개 계정에 사용한 임베딩(embedding)의 근사치를 재구성하고 설문조사 기반으로 보정된 이념 점수를 산출출했습니다. 이 임베딩의 한 방향은 연령, 성별, 인기도를 추적하는 방향과는 뚜렷하게 구별되며, 좌우 정치 성향에 따라 사용자를 정렬합니다(피어슨 상관계수 rho = 0.887). 연구진은 이러한 척도가 실제로 존재하며 해당 임베딩을 통해 계산되는 추천 결과에 영향을 미친다는 점을 보여줍니다. 이 성향 축을 제거하자 정확도 저하는 미미한 수준에 그치면서도 추천의 다양성은 향상되었습니다. 본 논문은 현재의 프로파일링(profiling) 정의에서는 명확히 다루지 못하는, 중대한 형태의 창발적(emergent) 정치적 표현 표상을 실증적으로 규명합니다.
대규모 언어 모델(LLM)은 사용자 프로파일링을 재편했지만, 현재 평가는 주로 정적 데이터 스냅샷에 초점을 맞춘다. 이 패러다임은 사용자 생성 콘텐츠(UGC)가 지속적으로 유입되고 세밀한 프로파일이 빠르게 변화하는 개인화 시스템의 현실을 간과한다. 이 격차를 메우기 위해, 세밀한 스트리밍 사용자 프로파일링을 위한 대규모 벤치마크인 StreamProfileBench를 제안한다. 스트리밍 사용자 프로파일링을 연속적 상태 유지(state maintenance) 과제로 형식화하고, 다섯 가지 다양한 플랫폼에서 7,000명 이상의 실제 사용자로부터 120,000건 이상의 UGC 게시물로 구성된 고도로 실제적인 데이터셋을 구축한다. 사용자 관심사의 시간적 상관관계를 활용하여, 주석 없는(annotation-free) 새로운 평가 프레임워크를 추가로 제안한다. 14개의 주요 LLM에 걸친 광범위한 실험 결과, 연속적인 프로파일 업데이트는 여전히 미해결 과제로 남아 있음을 보여준다. 모델은 체계적인 보수적 바이어스를 보이며, 과거 관심사를 과도하게 유지하는 반면 관심사 감쇠를 인식하지 못한다. Ablation 실험은 스트리밍 패러다임의 실용적 유용성과 필요성을 추가로 검증한다. 데이터와 코드는 https://github.com/WaterWang-001/StreamProfileBench 에서 제공된다.
SocialPersona는 171명의 종단적 소셜 미디어 타임라인(텍스트·이미지·타임스탬프)에서 드러난 선호를 복원해 프로파일을 구축하고 대화에 반영하는 멀티모달 LLM(MLLM) 개인화 능력을 평가하는 벤치마크로, 안정적 관심과 최근 관심을 구분하는 7개 도메인·2,597개의 사람 검증 선호 태그를 제공한다. 독점·오픈 가중치 MLLM 실험에서는 넓은 관심 도메인 식별은 가능하나 세분화·최근 관심 추론과 추론된 프로파일 기반 대화 개인화에서 성능이 크게 떨어지며, 텍스트와 이미지가 상보적 선호 신호를 제공한다는 점에서 강건한 cross-modal 장기 사용자 모델링이 핵심 과제로 남아 있음을 보인다.
DynamicMem은 이커머스·피트니스·소셜 등 16개 앱에 걸친 15개월 분의 합성 다중 앱 활동 로그로, 속성·습관·선호도가 서로 다른 시간 축에서 진화하는 장기 사용자 메모리를 평가하는 벤치마크다. 다섯 가지 대표 시스템 평가에서 기록이 길어질수록 프로필 재구성 정확도는 떨어지지만 서비스 태스크 정확도는 유지되며, 실패의 93% 이상은 답변 생성이 아니라 메모리 검색에서 발생해 개선 여지가 메모리 자체에 있음을 보인다.
산업용 라이드헤일링 배차에 LLM 기반 사용자 프로파일링을 실시간으로 적용하려면 대규모 로그, 롱테일 사용자, 다운스트림 예측 효용과의 불일치를 함께 해결해야 하며, ProfiLLM은 27개 분석 도구를 갖춘 에이전트로 플랫폼 규모 지식을 마이닝하고 효용 정렬 프로파일 탐색과 DPO 파인튜닝으로 클러스터 수준 프로파일을 오프라인 생성한 뒤 온라인에서는 사전 계산된 임베딩 조회만 수행한다. DiDi 상용 디스패처 배포에서 결과 예측 AUC가 최대 +6.14%, 배차 시뮬레이션 GMV가 최대 +4.35% 개선되었고, 14일 A/B 테스트에서도 GMV +0.47%, 완료율 +0.33%, 수락 전 취소율 -0.82% 향상이 확인되었다.