ExPerT: Personalizing LLM Responses to Users' Domain Expertise via Query-Wise Semantic and Keystroke Behavioral Cues

📄 arXiv: 2607.01242 📥 PDF

作者: Yeji Park, Jiwon Tark, Taesik Gong

分类: cs.HC, cs.AI, cs.CL, cs.IR

发布日期: 2026-07-05

💡 一句话要点

提出ExPerT框架以解决LLM个性化响应问题

🎯 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: 个性化响应 大型语言模型 语义推断 击键行为 用户满意度 专业知识推断 机器学习

📋 核心要点

  1. 现有个性化方法无法有效捕捉用户在不同查询中的专业知识变化，导致响应质量不高。
  2. ExPerT框架通过结合语义和击键行为线索，提供查询级的个性化响应，提升用户体验。
  3. 实验结果显示，ExPerT在专业知识推断准确性和用户满意度上均有显著提升，验证了其有效性。

📝 摘要（中文）

大型语言模型（LLMs）在用户中越来越普遍，但现有的个性化方法依赖于静态档案或仅文本信号，无法捕捉查询特定的专业知识变化。我们提出了ExPerT，一个查询级个性化框架，通过结合语义和行为线索来调整LLM的响应。ExPerT包括两个关键组件：一是语义-行为专业知识推断模块，通过上下文LLM提示共同解释查询文本和击键动态；二是基于专业知识的响应生成，调整细节水平、术语和概念复杂性。我们的用户研究显示，ExPerT将专业知识推断误差降低了65.7%，并在5分制的满意度评分中提高了17.52%。

🔬 方法详解

问题定义：本论文旨在解决现有个性化方法在处理用户查询时无法捕捉专业知识变化的问题。现有方法依赖静态用户档案或文本信号，导致响应质量不足。

核心思路：ExPerT框架通过结合查询的语义信息和用户的击键行为，动态调整LLM的响应，以适应用户的专业知识水平。这样的设计能够更精准地满足用户的需求。

技术框架：ExPerT的整体架构包括两个主要模块：语义-行为专业知识推断模块和基于专业知识的响应生成模块。前者通过上下文提示解析查询文本和击键动态，后者则根据推断的专业知识水平生成适当的响应。

关键创新：ExPerT的主要创新在于其查询级的个性化能力，通过结合语义和行为线索，显著提升了专业知识推断的准确性，与传统方法相比具有本质区别。

关键设计：在设计中，使用了特定的损失函数来优化专业知识推断的准确性，并在网络结构上采用了适应性调整机制，以便根据用户的击键动态实时调整响应生成的复杂性和术语使用。

📊 实验亮点

实验结果表明，ExPerT在专业知识推断误差上降低了65.7%，与最强基线相比（MAE = 0.398 vs. 1.162），同时用户满意度提升了17.52%（从3.71提高到4.36），显示出其显著的性能优势。

🎯 应用场景

ExPerT框架具有广泛的应用潜力，尤其在教育、专业咨询和客户服务等领域。通过个性化响应，能够显著提升用户体验和满意度，未来可能推动更智能的交互系统的发展。

📄 摘要（原文）

Large language models (LLMs) are increasingly used by end users, yet existing personalization methods relying on static profiles or text-only signals fail to capture query-specific expertise variation. We present ExPerT, a query-wise personalization framework that adapts LLM responses to users' query domain expertise by combining semantic and behavioral cues. ExPerT consists of two key components: (i) a semantic-behavioral expertise inference module that jointly interprets query text and keystroke dynamics via in-context LLM prompting, and (ii) an expertise-conditioned response generation that adapts the level of detail, terminology, and conceptual complexity. Our user study with 40 participants and 1270 queries demonstrated that ExPerT reduced expertise inference error by 65.7% compared to the strongest baseline (MAE = 0.398 vs. 1.162) and improved response satisfaction by 17.52% (from 3.71 to 4.36) on a 5-point Likert scale.