文章主要内容和创新点主要内容本文提出了一种名为CAP-LLM（Context-Augmented Personalized LLM）的新型框架，旨在解决个性化新闻标题生成中“捕捉复杂用户兴趣”与“保证事实一致性”的核心挑战。该框架基于预训练大语言模型（如Llama-2、Mistral），通过三个核心组件实现优化：用户偏好编码器（User Preference Encoder）：通过Transformer自注意力网络聚合用户历史阅读数据，提取长期兴趣向量；上下文注入适配器（Context Injection Adapter）：将用户兴趣向量和当前新闻文章的语义表示融入LLM的生成过程，引导个性化生成；事实一致性强化模块（Fact-Consistency Reinforcement Module）：采用新颖的对比损失函数，通过构建正负样本对，减少LLM的“幻觉”（hallucination），确保标题与新闻原文事实一致。通过联合训练策略（优化流畅性、个性化和事实准确性的总损失函数），CAP-LLM在真实世界的PENS数据集上进行了验证，其性能在个性化指标（Pc(avg)、Pc(max)）、事实一致性指标（FactCC）和内容覆盖度指标（ROUGE-1/2/L）上均超越现有基线模型（如BART、Transformer等），实现了个性化与事实准确性的平衡。创新点