行为特质泄漏进偏好：诊断 LLM 用户模拟器中的特质干扰

基于 LLM 的用户模拟器旨在通过注入特质来模拟用户，弥合推荐评测中的离线-在线差距：偏好属性决定用户与什么交互，行为活跃度特质决定浏览时长。然而我们表明，这种预期的特质独立性在模拟过程中会崩塌，导致两类失败：(i) 特质干扰——放大的活跃度扭曲偏好边界，迫使用户为维持浏览而与不匹配的物品交互；(ii) 评测失效——满意度随活跃驱动的页面数膨胀而无视口味错配，使评测偏向特质分布而非推荐器性能。为解决此问题，我们提出 PQA，一种页面级质量锚定方法，用一个反映每个用户内在偏好标准的个性化锚点来引导模拟器。通过在继续浏览前判断页面是否达到该标准，PQA 使模拟器能主动退出低质量页面，让活跃度特质保留其原有角色——在符合偏好的页面内调节浏览深度。实验表明，PQA 缓解了特质干扰，并提高了活跃度变化下基于 LLM 的模拟器评测的可靠性。代码见原文链接。