用于人类模拟的图神经网络替代方案
计算与语言
2026-04-17 v2
摘要
大型语言模型 (LLM) 已成为模拟人类行为的流行方法，但是否适用于所有模拟任务仍不明确。我们研究了一系列狭义模拟任务，适用于从预测调查问卷到考试答题等场景，表明图神经网络可以匹配或超越强大的 LLM 方法。我们引入 Graph-basEd Models for Human Simulation (GEMS)，该方法将狭义模拟建模为构成要素图中个体与选择之间的链接预测。在三个数据集和三个评估设置下，GEMS 在准确率和效率方面均匹配或优于最强的 LLM 方法，同时使用参数数量降低了三个数量级。这些结果表明，图基建模可作为高效且透明的人类行为模拟方法，与 LLM 互补。代码已在 https://github.com/schang-lab/gems 上提供。
引用
@article{arxiv.2511.02135,
title = {Graph-Based Alternatives to LLMs for Human Simulation},
author = {Joseph Suh and Suhong Moon and Serina Chang},
journal= {arXiv preprint arXiv:2511.02135},
year = {2026}
}
备注
Conference: ACL 2026 Long Main Code: https://github.com/schang-lab/gems