面向会话推荐系统的基于 LLM 的可控、可扩展、人类参与的用户模拟器框架
人机交互
2024-05-15 v1 人工智能
摘要
会话推荐系统（CRS）利用用户的实时反馈动态建模其偏好，从而增强系统提供个性化推荐的能力并改善整体用户体验。CRS 已展现出巨大潜力，促使研究人员致力于开发更真实、更可信的用户模拟器。大型语言模型（LLM）的出现标志着计算能力新纪元的开启，在各类任务中展现出人类水平的智能。研究人员已尝试利用 LLM 构建用户模拟器以评估 CRS 的性能。尽管这些努力展现了创新性，但也存在一定局限性。在本研究中，我们引入了一个可控、可扩展且人类参与（CSHI）的模拟器框架，该框架通过插件管理器管理用户模拟器在各个阶段的行为。CSHI 定制用户行为和交互的模拟，以提供更逼真、更令人信服的用户交互体验。通过在两个会话推荐场景中的实验和案例研究，我们表明该框架能够适应各种会话推荐设置，并有效模拟用户的个性化偏好。因此，我们的模拟器能够生成与真实用户高度相似的反馈。这促进了对现有 CRS 研究的可靠评估，并推动了高质量会话推荐数据集的创建。
引用
@article{arxiv.2405.08035,
title = {A LLM-based Controllable, Scalable, Human-Involved User Simulator Framework for Conversational Recommender Systems},
author = {Lixi Zhu and Xiaowen Huang and Jitao Sang},
journal= {arXiv preprint arXiv:2405.08035},
year = {2024}
}