双层偏好建模
通过”历史行为被动信号 + 主动申报显式信号”两层叠加，构建比任何单层都更精准的用户兴趣画像。
简介
双层偏好建模是一种用户画像方法，将偏好信号分为两个独立层次采集并融合：第一层从用户的历史行为数据中被动提取（如阅读高亮、笔记、书评），第二层由用户主动填写个人信息和兴趣方向。两层信息互补，避免了单一来源的盲区。
与纯行为推荐（如协同过滤）或纯声明式画像相比，双层建模的核心优势在于覆盖时间维度的变化：历史记录反映过去的偏好，但人是会变的——你可能最近在研究新方向，之前没怎么读过这块的书，单靠历史数据推断不出来。主动填写的信息补的正是这个缺口。
关键信息
- 类型：概念 / 方法论
- 领域：用户画像 / 个性化推荐 / AI 应用
- 相关概念：用户兴趣画像、协同过滤、内容推荐
核心特性
定义
双层偏好建模（Two-layer Preference Modeling）将用户偏好信号拆分为：
- 被动信号层：从用户已有的标注、笔记、高亮、书评中提取的行为偏好
- 主动信号层：用户通过结构化表单主动申报的职业背景、兴趣方向、阅读目的
两层信号的优先级关系为：被动行为 > 主动申报。当申报偏好与实际标注行为出现矛盾时，以行为数据为准，并在画像中注明差异。
核心组成
被动信号层的分析维度：
- 主题聚类：反复标注的领域、跨书持续关注点
- 内容类型偏好：数据与案例 vs 概念框架 vs 操作策略 vs 人物叙事
- 抽象层级：高层战略思维 vs 一线执行细节
- 类比模式：跨行业类比 vs 单一领域深度挖掘
- 数据敏感度：宏观市场数据 vs 微观运营指标（转化率、留存率、单位经济模型）
- 行业细节敏感度：运作机制、业务流程、产业链结构
- 业务节点关注：增长拐点、商业模式转型、关键产品决策、组织变革节点
主动信号层的采集内容：
- 职业背景与工作内容（2-5 句话）
- 喜欢的书籍分类（按兴趣排序，标注兴趣程度）
- 不感兴趣的内容类型（可选，用于降权）
- 阅读目的（辅助投资决策 / 提升认知 / 内容创作素材等）
典型应用
- 个性化阅读助手：基于双层画像对新书进行定制化内容提炼
- 内容推荐系统：结合行为数据和显式偏好过滤信息流
- 学习路径规划：根据历史学习记录和当前职业目标推荐下一步
缓存与增量更新
双层建模支持增量更新机制：
- 偏好画像缓存到本地文件，记录上次分析时间和文件清单快照
- 每次启动时自动检测文件夹变动，无变动则直接使用缓存
- 有新内容时只处理增量部分，与原画像合并更新
- 支持强制刷新指令（全量重算）和局部更新指令（仅更新申报部分）
不同素材中的观点
- 2026-05-27-woshipm-personalized-ai-reading-assistant：文章详细描述了双层偏好建模的完整实现方案。被动层通过扫描
reading_resource/文件夹中的所有已读书籍提取黄色标注内容，分析主题聚类、内容类型偏好、抽象层级等 9 个维度。主动层通过user_profile.md结构化表单采集。两层叠在一起让 AI 读书时同时参考，“比任何一层单独工作都要准”。文章特别强调：申报偏好优先级低于标注行为，当两者矛盾时以行为为准。
实用信息
- 快速上手：建一个
reading_resource/文件夹放历史阅读资料 + 写一份user_profile.md填职业和兴趣，让 AI 工具同时读取两份信息即可 - 偏好维度参考：主题聚类、内容类型、抽象层级、数据敏感度、行业细节敏感度、业务节点关注、申报一致性验证、职业关联推断
- 缓存机制：画像生成后缓存到本地文件，避免每次重跑；新书读完导出的 Markdown 存回文件夹后自动纳入下次分析