使用 大语言模型 进行任务感知自动用户配置文件生成以进行推荐模拟

基于 大语言模型 (LLM) 的代理模拟已成为一种有前途的方法，可以满足现代推荐系统中对实时和严格评估日益增长的需求。典型的 LLM 驱动的仿真框架包含三个基本组件：配置文件模块、内存模块和操作模块。然而，现有的研究主要集中在增强记忆和动作模块上，而对配置文件生成的关注有限，而配置文件生成在确保真实的代理行为以及将模拟交互与真实用户动态保持一致方面发挥着关键作用。此外，专门为推荐模拟设计的数据集的稀缺导致了对手动制作的配置文件的严重依赖，极大地限制了模拟框架在不同数据集上的可扩展性和通用性。为了应对这些挑战，这项工作提出了一种用于推荐模拟的自动配置文件生成框架 APG4RecSim，它可以在最少的监督下构建真实、连贯且强大的用户配置文件。对三个基准数据集的大量实验表明，APG4RecSim 在区分、排名和评级任务方面实现了最佳的整体性能，与现有的配置文件生成基线相比，在 nDCG@10 中将排名质量提高了 7%，在 JSD 中将评级分布差异减少了 8%。除了整体性能提升之外，我们的结果表明，APG4RecSim 生成的配置文件能够适应流行度和位置引起的偏差，并在数据集和不同的 LLM 之间保持稳定的性能。