AgentGR：用于群体推荐的语义感知代理群体决策模拟器

群组推荐（GR）旨在向一组用户推荐物品，这已成为现代社交平台的重要组成部分。现有的 GR 方法侧重于利用先进的神经网络聚合个人用户偏好来推断群体偏好。尽管有效，但他们本质上将群体偏好学习视为一个简单的偏好聚合过程，未能捕捉现实世界群体决策的复杂动态。为了解决这些限制，我们提出了 AgentGR，一种新颖的用于群体推荐的语义感知代理群体决策模拟器，其灵感来自于 LLM 驱动代理的语义推理和人类行为模拟功能。它的目的是共同捕获成员角色扮演的协作语义用户偏好，并模拟动态群组交互以反映现实世界的群组决策过程，从而提高推荐性能。具体来说，为了捕获协作语义用户偏好，我们引入了语义元路径引导的偏好链推理机制，该机制集成了高阶协作过滤信号和文本语义以改善用户偏好配置文件。为了对群体决策的复杂动态进行建模，我们首先识别群体主题和领导力，以明确地建模群体决策过程中的影响因素。在此基础上，我们通过两种多智能体模拟策略来模拟群体级决策动态：基于静态工作流的效率策略和基于动态对话的精度策略。对两个现实世界数据集的大量实验表明，AgentGR 在推荐精度和群体决策模拟方面都显着优于最先进的基线，凸显了其在现实世界 GR 应用中的潜力。