ライドヘイリングプラットフォームのリアルタイム配車では、マッチングパイプラインは長らく構造化された数値特徴に依存してきた。しかし、特定地域に対するドライバーの習慣的な忌避など、決定的な行動シグナルは本質的に文脈依存であり、従来の数値特徴だけでは表現しにくい。大規模言語モデル（LLM）をセマンティック特徴抽出器として産業用配車に導入することは魅力的だが、まだ十分に探求されていないデータシステム上の課題である。arXiv論文のProfiLLMは、まさにこの方向に取り組む、産業グレードのライドヘイリング配車向けエージェント型LLMデータパイプラインを提案している。
論文は、LLM生成のユーザープロファイルを実運用のミリ秒レイテンシ配車器にスケールさせる際に、相互に絡み合う三つの制約を同時に扱う必要があると指摘する。第一に、日次数百万注文のプラットフォームでは、行動ログの規模がどのLLMのコンテキストウィンドウをも桁違いに超える。第二に、大多数のユーザーはロングテールであり、インタラクションが少なすぎてユーザー単位のプロファイリングが難しい。第三に、表面的に流暢なプロファイルが下流予測の効用を必ずしも高めるとは限らないため、プロファイル生成を配車目標に整合させる仕組みが求められる。
ProfiLLMは二つの中核モジュールでこれらの課題に対処する。一つ目はツール拡張型グローバル知識マイニングである。LLMエージェントに27の分析ツールを与え、プラットフォーム規模のデータを挖掘させることで、再利用可能なグローバル知識、適応的なユーザークラスタリング規則、地域レベルの需給事前分布を生成する。これにより、単一ユーザーの長いコンテキストに依存せず、後続のプロファイリングに構造化された基盤を提供できる。二つ目は効用整合型プロファイル探索である。各ユーザークラスタに対して複数の候補プロファイルを生成し、軽量な下流効用プロキシで評価する。最良の候補を反復的に改善し、DPO微調整用の選好ペアを構築する。これにより、プロファイルの品質は言語的な流暢さだけでなく、配車予測の実効効用に結びつけられる。
導入面では、ProfiLLMは滴滴の本番配車システムに適用された。実験結果によれば、結果予測タスクで相対AUCが最大6.14%向上し、配車シミュレーションでGMVが最大4.35%増加した。さらに、14日間のオンラインA/Bテストでも安定した改善が見られ、GMVが0.47%向上、完了率が0.33%向上、受諾前キャンセル率が0.82%低下した。これらの指標は、LLM生成のセマンティックプロファイルを下流タスクの効用と整合させることで、実際の産業配車シーンで測定可能なビジネス価値を生み出せることを示している。
本論文はTengfei Lyuら7名の著者により2026年6月17日に提出され、cs.AIとcs.CYの学際領域に位置づけられる。その意義は、LLMを単なるオフラインのテキスト生成器としてではなく、プラットフォーム規模の行動ログと本番マッチングシステムをつなぐデータパイプラインに組み込んだ点にある。ツール拡張型マイニングと効用駆動型探索を通じて、ProfiLLMは超大规模・ロングテール・低レイテンシという制約下でLLMを活用するための実践的なエンジニアリングパラダイムを示している。