PsyBer-Agent发布：基于心理学驱动的推荐系统模拟器问世

摘要：PsyBer-Agent是一款基于心理学驱动的推荐系统模拟器，旨在解决现有LLM智能体在捕捉用户动态行为（如疲劳、情感变化和偏好转移）方面的不足。其核心组件Psy-Engine通过三个动态潜状态建模用户行为，并通过非平衡Gromov-Wasserstein最优传输对齐模拟轨迹与真实交互日志，从而提供轻量级策略的精准指导。此外，WebSim平台和PsyBer基准测试集支持多模态场景和七种推荐系统框架，显著提升了模拟行为的真实性和鲁棒性。

---

技术机制剖析

PsyBer-Agent的核心在于其Psy-Engine，该引擎通过三个动态潜状态（Latent States）来模拟用户的心理和行为变化。这些潜状态包括：

1. 疲劳状态（Fatigue State）：捕捉用户在使用推荐系统过程中逐渐积累的疲劳感。
2. 情感状态（Affect State）：反映用户对推荐结果的情感反应，如满意或不满。
3. 偏好状态（Preference State）：动态捕捉用户偏好的变化，以适应用户不断变化的需求。

为了确保模拟行为与真实用户行为的一致性，PsyBer-Agent采用了一种创新的对齐方法——非平衡Gromov-Wasserstein最优传输。这种方法将模拟生成的潜状态轨迹与真实交互日志中的参考轨迹进行对齐，从而提供精准的监督信号，而无需对基础LLM进行耗时的微调。

工程权衡与实测表现

PsyBer-Agent在多个方面进行了优化，以实现高效且准确的模拟：

• 计算效率：通过轻量级策略指导，避免了对LLM的频繁微调，从而降低了计算成本。
• 模拟规模：在WebSim平台上，PsyBer-Agent能够支持高达500万队列模拟任务的并发执行，展现了其在大规模应用中的潜力。
• 鲁棒性：在PsyBer基准测试中，PsyBer-Agent在行为保真度、潜状态一致性和对社交线索扰动的响应方面均表现出色，显著优于仅依赖提示的模拟器。

开发者落地与部署建议

对于开发者而言，PsyBer-Agent提供了一套完整的工具链，包括Psy-Engine、模拟器接口和基准测试集。以下是一些部署建议：

1. 集成推荐系统：将PsyBer-Agent与现有的推荐系统集成，以评估和改进推荐策略。
2. 多模态场景支持：利用WebSim平台的多模态支持，模拟复杂的用户交互场景。
3. 持续优化：通过PsyBer基准测试集，定期评估和改进模拟器的性能。

总结

PsyBer-Agent的发布标志着推荐系统模拟领域的一个重要里程碑。其创新的心理学驱动方法和高效的对齐机制，为开发更真实、更具鲁棒性的推荐系统提供了新的思路和工具。

---

消息来源：ArXiv NLP/LLM (cs.CL) (2026-10-14)

—— 完 ——

主题标签： #PsyBer-Agent 关注 #推荐系统 关注 #心理学驱动 关注 #模拟器 关注 #LLM 关注