基于参与度驱动的大语言模型内容生成
机器学习
2025-06-13 v5 人工智能
摘要
大语言模型（LLMs）在一对一交互中展现出显著的劝说能力，但其在社交网络中的影响力——其中互联用户和复杂的观点动态构成了独特挑战——仍未得到充分探索。本文针对研究问题：\emph{LLMs能否生成有意义的内容，以最大化社交网络上的用户参与度？}为回答这一问题，我们提出了一种使用模拟反馈的强化学习流水线，其中网络对LLM生成内容的响应（即奖励）通过一个形式化的参与度模型进行模拟。该方法绕过了实时实验的时间成本与复杂性，使得LLM与所研究网络之间能够形成高效的反馈循环。它还允许控制内生因素，例如LLM在社交网络中的位置以及特定话题上的观点分布。我们的方法能够适应底层网络的观点分布，并且与参与度模型的细节无关，该模型作为即插即用组件嵌入。这种灵活性使其适用于计算社会科学中更复杂的参与度任务和干预措施。利用我们的框架，我们分析了LLM在不同条件下生成社交参与度的性能，展示了它们在此任务中的全部潜力。实验代码公开于https://github.com/mminici/Engagement-Driven-Content-Generation。
引用
@article{arxiv.2411.13187,
title = {Engagement-Driven Content Generation with Large Language Models},
author = {Erica Coppolillo and Federico Cinus and Marco Minici and Francesco Bonchi and Giuseppe Manco},
journal= {arXiv preprint arXiv:2411.13187},
year = {2025}
}