ProfiLLM：面向工业网约车调度的实用程序一致的代理用户分析

arXiv:2606.18803v1 公告类型：新 摘要：将大型语言模型（LLM）作为平台规模行为日志的语义特征提取器引入工业网约车调度中是一个引人注目但尚未充分探索的数据系统问题。生产匹配管道仍然以结构化数字特征为主，但决定性的行为信号（例如，驾驶员对某些区域的习惯性厌恶）本质上是与上下文相关的，并且可以自然地表达为法学硕士生成的用户配置文件。然而，将这种分析扩展到实时、毫秒延迟的调度程序面临三个相互交织的约束，很少同时解决：在每天有数百万订单的平台上，日志超过任何 LLM 的上下文窗口几个数量级；大多数用户都是长尾用户，每个用户分析的交互太少；和地表流线剖面不一定会提高下游预测效用。我们推出了 ProfiLLM，这是一种代理法学硕士数据管道，可通过两个模块为生产匹配系统实施与实用程序一致的用户分析。 (1) 工具增强型全球知识挖掘为法学硕士代理配备了 27 种分析工具来挖掘平台规模的数据，产生可重用的全球知识、自适应用户聚类规则和区域级供需先验。 (2) 实用程序对齐配置文件探索为每个集群生成多个候选配置文件，通过轻量级下游实用程序代理对其进行评估，迭代地细化最佳候选者并构建用于 DPO 微调的偏好对。部署在滴滴的生产调度程序上，ProfiLLM 在结果预测方面实现了高达 +6.14% 的相对 AUC 改进，在调度模拟中实现了高达 +4.35% GMV 增益，并在 14 天在线 A/B 测试中实现了持续改进，包括 +0.47% GMV、+0.33% 完成率和 -0.82% 接受前取消率。