用户概率数字孪生：基于统计验证语义的潜在表示学习

理解用户身份和行为是个性化、推荐和决策支持等应用的核心任务。现有大多数方法依赖于确定性嵌入或黑箱预测模型，难以量化不确定性，亦缺乏对潜在表示所编码内容的洞察。我们提出一种概率数字孪生框架，其中将每个用户建模为生成观察行为数据的潜在随机状态。通过 amortize 变分推断学习数字孪生，既实现可扩展的后验估计，又保留完全的概率解释。我们采用变分自编码器（VAE）应用于用户响应数据集，以捕获用户身份的稳定方面。除标准的重建评估外，我们引入统计上严谨的解释管道，将潜在维度与可观测行为模式关联。通过分析每个潜在维度极端的用户，并利用非参数假设检验和效应大小进行验证，我们展示特定维度对应可解释特征，如意见强度和果断性。经验上，我们发现用户结构主要是连续的而非离散聚类，沿少数主导潜在轴线存在弱但有意义的结构。这些结果表明，概率数字孪生能够提供超越确定性用户嵌入的可解释、具不确定性感知的表示。