PsyBer-Agent: un agente utente guidato dalla psicologia per i sistemi di raccomandazione

Abstract degli autori

Valutare i sistemi di raccomandazione prima della loro implementazione richiede simulatori che restino realistici nel corso di lunghi cicli di interazione a circuito chiuso. Gli attuali agenti basati su LLM funzionano generalmente come imitatori superficiali: generano risposte realistiche nel breve periodo, ma non riescono a rappresentare le dinamiche sottostanti degli utenti, come la fatica, lo stato affettivo e il mutare delle preferenze. Proponiamo PsyBer-Agent, un simulatore ispirato alla psicologia che modella queste dinamiche attraverso il suo Psy-Engine. Questo motore rappresenta ciascun utente mediante tre stati latenti che evolvono e sono definiti dal modello. Per calibrare il comportamento simulato sui log delle interazioni reali, allineiamo le traiettorie di riferimento condizionate dai log con le traiettorie degli stati latenti generate dal simulatore mediante il trasporto ottimale non bilanciato di Gromov--Wasserstein. Questo approccio fornisce una supervisione strutturata per una policy leggera, senza l’onere computazionale del fine-tuning dell’LLM di base. Introduciamo inoltre WebSim e PsyBer Benchmark, che comprendono scenari multimodali e sette backbone per sistemi di raccomandazione. Il nostro framework valuta la fedeltà comportamentale, la coerenza degli stati latenti, la robustezza e le risposte a perturbazioni dei segnali sociali. Sugli orizzonti temporali testati, PsyBer-Agent mostra una discrepanza comportamentale inferiore rispetto ai simulatori basati soltanto su prompt, mantenendo prestazioni stabili nella simulazione concorrente su larga scala, con fino a 5M attività di simulazione in coda e concorrenza limitata. Il codice è disponibile nel materiale supplementare e ai seguenti indirizzi: PsyBer-Agent: https://anonymous.4open.science/r/CC66F/, WebSim Platform: https://anonymous.4open.science/r/D8EAX/.