SPRInG：通过选择性参数适应与检索插值生成实现大语言模型的持续个性化

大语言模型的个性化通常依赖静态检索或一次性适应，假设用户偏好恒定不变。然而，真实交互中用户兴趣持续演化，模型需在避免灾难性遗忘的同时适应偏好漂移。现有持续学习方法常因无差别更新噪声交互而失效，难以区分真实偏好变化与临时上下文。为此，本文提出SPRInG——一种新型半参数化持续个性化框架。训练阶段采用基于似然评分的漂移驱动选择性适应机制，仅在高新颖性交互上更新用户特定适配器，并将难学残差存入回放缓冲区；推理阶段通过严格相关性门控，结合参数化知识与检索历史进行logit插值。在长文本个性化生成基准上的实验表明，SPRInG显著优于现有基线，验证了其在现实持续个性化场景中的鲁棒性。