ProfiLLM: Utility-Aligned Agentic User Profiling for Industrial Ride-Hailing Dispatch

📄 arXiv: 2606.18803v1 📥 PDF

作者: Tengfei Lyu, Zirui Yuan, Xu Liu, Kai Wan, Zihao Lu, Li Ma, Hao Liu

分类: cs.AI, cs.CY

发布日期: 2026-06-17

💡 一句话要点

提出ProfiLLM以解决工业网约车调度中的用户画像问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 用户画像 网约车调度 大型语言模型 效用对齐 知识挖掘 长尾用户 实时决策

📋 核心要点

  1. 现有的网约车调度方法主要依赖结构化数值特征，难以捕捉用户的行为信号，尤其是长尾用户的画像构建面临挑战。
  2. ProfiLLM通过工具增强的全球知识挖掘和效用对齐的画像探索，构建可重用的全球知识和用户聚类规则，优化用户画像。
  3. 在DiDi的生产调度系统中，ProfiLLM实现了高达6.14%的AUC提升和4.35%的GMV增长，并在14天的在线A/B测试中持续改善多个关键指标。

📝 摘要（中文）

将大型语言模型（LLMs）引入工业网约车调度，作为平台规模行为日志的语义特征提取器，是一个引人注目的但尚未充分探索的数据系统问题。现有的匹配管道主要依赖结构化数值特征，而关键的行为信号（如司机对某些区域的习惯性厌恶）则具有上下文特性，且可以自然地通过LLM生成用户画像来表达。然而，将这种画像扩展到实时调度中面临三个相互关联的约束：平台每日订单数量庞大，日志超出了任何LLM的上下文窗口；大多数用户为长尾用户，交互次数过少，难以进行个性化画像；而表面流畅的画像并不一定能提高下游预测的效用。为此，本文提出了ProfiLLM，一个通过两个模块实现效用对齐用户画像的LLM数据管道。

🔬 方法详解

问题定义：本文旨在解决工业网约车调度中用户画像构建的挑战，现有方法无法有效处理海量日志数据和长尾用户的画像需求。

核心思路：ProfiLLM通过引入大型语言模型，结合工具增强的知识挖掘和效用对齐的画像探索，来生成更具上下文的用户画像，从而提升调度系统的匹配效率。

技术框架：整体架构分为两个主要模块：工具增强的全球知识挖掘模块和效用对齐的画像探索模块。前者负责从平台数据中提取可重用的知识，后者则生成并优化用户画像。

关键创新：最重要的创新在于将LLM与工具增强的知识挖掘结合，解决了传统方法在处理长尾用户画像时的不足，尤其是在实时调度场景中的应用。

关键设计：在设计上，使用了27种分析工具来挖掘数据，生成适应性用户聚类规则，并通过轻量级的效用代理评估候选画像，最终通过DPO微调构建偏好对。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

ProfiLLM在DiDi的生产调度中实现了高达6.14%的相对AUC提升和4.35%的GMV增长。在为期14天的在线A/B测试中，GMV提升了0.47%，完成率提高了0.33%，而取消率降低了0.82%。

🎯 应用场景

ProfiLLM的研究成果可广泛应用于网约车调度、物流配送等领域，通过更精准的用户画像提升调度效率和用户满意度。未来，该方法还可扩展至其他需要实时决策的场景，如智能交通管理和个性化推荐系统。

📄 摘要（原文）

Bringing Large Language Models (LLMs) into industrial ride-hailing dispatch as semantic feature extractors over platform-scale behavioral logs is a compelling but under-explored data systems problem. Production matching pipelines remain dominated by structured numerical features, yet decisive behavioral signals (e.g., a driver's habitual aversion to certain regions) are inherently contextual and naturally expressible as LLM-generated user profiles. However, scaling such profiling to a live, millisecond-latency dispatcher faces three intertwined constraints rarely addressed together: on a platform with millions of daily orders, logs exceed any LLM's context window by orders of magnitude; most users are long-tail, with too few interactions for per-user profiling; and surface-fluent profiles do not necessarily improve downstream prediction utility. We present ProfiLLM, an agentic LLM data pipeline that operationalizes utility-aligned user profiling for production matching systems through two modules. (1) Tool-Augmented Global Knowledge Mining equips an LLM agent with 27 analytical tools to mine platform-scale data, producing reusable global knowledge, adaptive user clustering rules, and region-level supply-demand priors. (2) Utility-Aligned Profile Exploration generates multiple candidate profiles per cluster, evaluates them via a lightweight downstream utility proxy, iteratively refines the best candidates and constructs preference pairs for DPO fine-tuning. Deployed on DiDi's production dispatcher, ProfiLLM achieves up to +6.14% relative AUC improvement in outcome prediction, up to +4.35% GMV gain in dispatching simulation, and consistent improvements in a 14-day online A/B test including +0.47% GMV, +0.33% Completion Rate, and -0.82% Cancel-Before-Accept rate.