PsyBer-Agent：一种用于推荐系统的心理学驱动用户代理
摘要：在部署前评估推荐系统需要能够在长时间闭环交互周期中保持真实性的模拟器。当前基于LLM的代理通常充当表面模仿者，能够生成逼真的短期响应，但无法捕捉疲劳、情感和偏好变化等底层用户动态。我们提出PsyBer-Agent，一种受心理学启发的模拟器，通过其Psy-Engine对这些动态进行建模。该引擎用三个不断演化的、由模型定义的潜在状态来表示每个用户。为了根据真实交互日志校准模拟行为，我们通过非平衡Gromov–Wasserstein最优传输，将对数条件参考轨迹与模拟器生成的潜在状态轨迹对齐。这种方法为轻量级策略提供了结构化监督，而无需承担微调骨干LLM的计算负担。我们还引入了WebSim和PsyBer Benchmark，涵盖多模态场景和七种推荐系统骨干。我们的框架评估行为保真度、潜在状态一致性、鲁棒性以及对社交线索扰动的响应。在测试的时间范围内，PsyBer-Agent表现出比仅使用提示的模拟器更低的行为差异，同时在有界并发下对多达500万个排队模拟任务的大规模并发模拟中保持稳定性能。代码可在补充材料及以下地址获取：PsyBer-Agent: this https URL , WebSim Platform: this https URL 。