来自大连理工大学、香港城市大学、中国科学技术大学和华为的团队于2026 AAAI 提出PBR（Personalize Before Retrieve）框架，首个针对RAG系统的个性化查询扩展方案，在检索前就将用户专属信号融入查询表示，解决了通用查询扩展的“表征僵化”问题，为个性化RAG的落地提供了全新思路。

在检索增强生成（RAG）成为大模型能力提升核心范式的当下，查询扩展的质量直接决定了检索的准确性。但现有方法都采用“一刀切”的统一策略，完全忽略了用户的表达风格、个性化偏好和历史交互背景——同样一句“说说我的饮食偏好”，注重健康的用户和喜欢尝鲜的用户想表达的意图天差地别。

这种 “表征僵化” 的问题，在智能助手、私人知识库、个性化推荐等场景中尤为突出，直接导致 RAG 系统 “懂知识但不懂用户”，难以满足人们对个性化交互的核心需求。而在 AI 应用愈发强调 “用户中心” 的当下，个性化的价值早已不言而喻 —— 用户的专属需求往往隐藏在表达风格与历史交互的细节中，越早精准捕捉、越深度适配，后续的检索准确性与生成贴合度自然越突出，这也是众多开发者在打造 Memory 系统、用户画像等功能时的核心追求。

针对这一痛点，来自大连理工大学、香港城市大学、中国科学技术大学和华为的团队于2026 AAAI 提出PBR（Personalize Before Retrieve）框架，首个针对RAG系统的个性化查询扩展方案，在检索前就将用户专属信号融入查询表示，解决了通用查询扩展的“表征僵化”问题，为个性化RAG的落地提供了全新思路。

论文地址：https://arxiv.org/pdf/2510.08935
代码地址：https://github.com/Applied-Machine-Learning-Lab/PBR-code

01、为什么需要个性化的查询扩展？

通用RAG的查询扩展之所以在个性化场景失效，核心源于两个关键挑战：

1. 用户表达风格的多样性：有人说话简洁，有人喜欢详细推理，这些隐含的语言模式无法被通用扩展捕捉，导致个性化意图丢失；
2. 用户语料库的异构性：每个用户的历史语料在主题、内容组织、词汇使用上差异极大，通用方法难以将查询锚定到用户的专属语义空间。

举个简单的例子，两个用户都问“如何描述我的饮食偏好？”，通用扩展只会生成“注重健康和便捷”这类泛化答案，而PBR能根据用户历史，为常提“有机食材”的用户生成贴合其风格的个性化扩展，让检索结果精准匹配用户真实意图。

而现有研究要么在查询扩展中忽视个性化，要么在个性化RAG中只关注检索后阶段，检索前的个性化优化始终是空白，PBR框架恰好填补了这一缺口。

02、PBR框架：检索前的双重个性化改造

PBR的核心思路是在检索前完成查询的个性化重构，让查询既贴合用户的表达风格，又锚定到用户语料的语义结构。整个框架包含三个核心模块：P-PRF（个性化风格对齐伪相关反馈）、P-Anchor（个性化结构对齐语义锚定）和PBR Fusion（融合模块），三者协同生成最终的个性化查询表示

先明确：个性化查询扩展的问题定义

PBR的目标是对信息不充分的用户查询 q 进行扩展，生成个性化查询

，使其在检索用户历史语料库 H 时，不仅匹配词汇语义，更能对齐用户潜在意图。

形式化来说，通过固定编码器 

 将查询和用户历史编码为向量，最终要构建转换函数 

，让个性化查询

，其中 

 就是编码了用户表达风格、语料结构的个性化调整量，这也是PBR框架要解决的核心。

模块1：P-PRF——让查询贴合用户的表达风格

P-PRF的作用是模拟用户的语言习惯，生成风格对齐的伪反馈，分为伪表述生成和伪推理生成两步，且只使用与当前查询语义相关的用户历史子集，避免无效信息干扰。

• 伪表述生成：基于用户相关历史 

  

   ，让LLM生成多个符合用户语气、措辞风格的伪查询，比如用户喜欢说“新鲜有机食材”，就不会生成生硬的官方表述，最后对这些伪表述做嵌入平均，得到 

  

  ；

• 伪推理生成：除表面表达方式外，有效的个性化还需要建模用户的隐含推理过程。因此，伪推理生成模拟用户的思考方式，生成分步的推理逻辑 r ，补充表面查询中缺失的逻辑线索，比如用户习惯从“食材选择-烹饪方式”分析饮食，推理过程也会遵循这一模式。

这两步分别从表层表达和深层推理复刻用户风格，让扩展后的查询不再是“通用模板”，而是用户“会说的话”。

模块2：P-Anchor——让查询锚定用户的语料结构

如果说P-PRF解决了“风格”问题，P-Anchor则解决了“结构”问题，将查询锚定到用户语料库的核心语义区域，步骤如下：

1. 构建用户语义图：把用户历史语料的嵌入作为节点，节点间的余弦相似度作为边，再构建稀疏邻接矩阵，只保留相似度高于阈值 θ 的前

   

   个邻居，过滤噪声；
2. PageRank找核心锚点：在语义图上运行PageRank算法，计算每个节点的中心性，找到用户语料的核心语义锚点

   

   ；
3. 锚定个性化语义：这个核心锚点编码了用户语料的结构特征，让查询不再在通用语义空间漂移，而是牢牢扎根在用户的专属语义空间。

模块3：PBR Fusion——融合风格与结构，生成最终查询  

这一步的核心是动态平衡P-PRF的风格信号和P-Anchor的结构信号，因为不同查询、不同用户下，两类信号的重要性不同。

首先计算两个动态权重

，分别量化伪表述、伪推理与“查询+锚点”融合语义的相似度；

再通过权重整合锚点、伪表述、伪推理，得到个性化调整量

最后将原始查询与调整量相加，得到最终的个性化查询。

整个融合过程既保证了风格的贴合，又实现了语义的锚定，最终基于FAISS用

从用户语料中检索，大幅提升检索的精准度。

03、实验验证

为了验证PBR的有效性，团队围绕三个核心研究问题设计了实验：

PBR是否提升个性化检索性能？

两个核心模块的单独贡献是什么？

P-Anchor的参数如何影响检索效果？

实验设置

1. 数据集：选用两个个性化检索专属基准
   PersonaBench：6个用户的专属语料库，共263个意图模糊的个性化查询，侧重软个性化（偏好、社交特征）；
   LongMemEval：500个事实性查询，分稀疏历史（LME-s）和密集历史（LME-m）子集，侧重长语境下的硬事实锚定；
2. 基线方法：对比6种主流查询扩展/检索方法（Base、HyDE、Query2Term、MILL、CoT、ThinkQE）；
3. 评估指标：采用检索领域标准的Recall@K（R@K）和NDCG@K（N@K），衡量检索的召回率和排序质量。

RQ1：整体性能

PBR在两个基准数据集上均取得了最优的整体性能，且显著优于所有基线方法（p<0.05）：

• 在PersonaBench上，PBR的整体R@5达到0.4527、N@5达到0.3819，远超最优基线ThinkQE（0.4098/0.3484），成功解决了查询的语义歧义问题；

• 在LongMemEval上，PBR的top-1精度提升尤为突出：bge骨干下，LME-s的R@1达0.2315、LME-m达0.1408，均高于最优基线，即使在长语境密集历史下，也能精准将正确答案推至top-1。

这一结果证明，检索前的个性化改造能从根本上提升RAG在个性化场景的检索能力。

RQ2：消融实验

为了验证P-PRF和P-Anchor的单独贡献，团队做了全面的消融实验，结果十分明确：

• P-PRF是性能核心：移除P-PRF后，所有骨干模型的性能大幅暴跌（如all-MiniLM的R@5从0.4516降至0.2860），且伪表述和伪推理的任一组件缺失，都会导致性能下降——前者损失词汇覆盖，后者削弱推理能力；

• P-Anchor是性能保障：移除P-Anchor后，性能出现持续下降，尤其在用户语料结构清晰的任务（基础信息、社交特征）中更明显；但在非聚类的硬性偏好任务中，效果有限，避免了过拟合；
• 两者互补：同时移除两个模块，性能会进一步下降，证明风格模拟和结构锚定是个性化查询扩展的两大支柱，缺一不可。

RQ3：参数敏感性

针对P-Anchor的两个核心参数（语义阈值 θ 、邻居数

）做敏感性分析，得到了实用的调参结论：

• 当 θ∈[0.65,0.75] 且 

  

  =5时，检索性能达到峰值，适度的语义邻域传播能实现最优的锚定效果；
• 当 θ 和 

  

   过大时，性能会饱和甚至下降，因为过度传播会引入噪声，削弱语义对齐的特异性。

这一结论为PBR的实际落地提供了明确的参数设置参考。

可视化验证：PBR让查询精准匹配用户专属语义

通过t-SNE可视化用户查询、真实标签和不同方法生成查询的分布，能直观看到PBR的优势：

• 传统方法（如HyDE）生成的查询高度聚集，无法区分不同用户的语义空间；
• PBR生成的查询能精准落在对应用户的真实标签附近，实现了用户语义空间的有效分离，余弦相似度也远高于原始查询和HyDE，证明其真正融入了用户的个性化语义。

此外，PBR的生成性能也得到了验证：在LongMemEval-s上，其精确匹配（EM）分数达42.6%，高于所有基线，说明个性化检索的提升最终也能带动下游生成质量的改善。

04、总结

PBR并非通用RAG的替代方案，而是个性化RAG场景的精准优化方案，其核心适用场景需满足三个特征：

1. 存在用户专属语料/历史交互数据（如智能助手的对话记录、私人文档、个性化使用轨迹），为个性化建模提供数据基础；
2. 用户查询依赖个性化特征才能准确理解（如“我的喜好”“我的习惯”类模糊查询），通用扩展易产生歧义；
3. 核心需求是提升检索的用户适配性，而非通用相关性，最终目标是让RAG的响应更贴合用户的个性化需求。

从落地实践来看，资源消耗优化仍是 PBR 需要重点突破的方向。目前其额外开销主要集中在两部分：一是 P-PRF 模块生成伪表述与伪推理的 LLM 调用成本，二是 P-Anchor 模块构建语义图与执行 PageRank 计算的算力开销。

但即便如此，PBR 的设计思路仍高度契合当前 AI 应用的发展趋势 —— 以用户为中心，深度挖掘个性化价值。

结合当下大火的智能体记忆系统，PBR 的落地价值尤为突出：智能体需持续捕捉并调用用户的长期记忆，而 PBR 通过风格模拟与结构锚定，能让检索过程始终贴合用户的表达习惯与长期记忆特征，完美解决了个性化智能体交互中 “检索结果与用户记忆不一致” 的核心痛点，成为支撑个性化智能体落地的关键技术之一。

在 AI 应用愈发强调 “用户中心” 的当下，PBR 将个性化前置到检索环节的创新思路，与 Memory 系统、用户画像等场景的核心需求高度契合。毕竟用户的个性化需求往往隐藏在表达风格与历史交互的细节中，越早精准捕捉、越深度适配，后续的检索准确性与生成贴合度自然越突出，这也是 PBR 框架最核心的价值所在。