PsyBer-Agent发布：基于心理学驱动的推荐系统模拟器革新用户行为建模

摘要：推荐系统在部署前需要能够长期保持真实性的模拟器，但现有基于大语言模型的智能体通常只能生成短期逼真的响应，难以捕捉用户动态行为（如疲劳、情感变化和偏好转移）。PsyBer-Agent通过其核心组件Psy-Engine解决了这一问题，该引擎使用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，从而提供精准的策略指导。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的核心是Psy-Engine，它通过三个动态潜状态来模拟用户行为：

1. 疲劳状态（Fatigue State）：捕捉用户随着时间推移的疲劳程度变化。
2. 情感状态（Affect State）：建模用户的情感波动。
3. 偏好状态（Preference State）：反映用户偏好的动态转移。

这些状态通过非平衡Gromov-Wasserstein最优传输算法与真实交互日志中的参考轨迹对齐，从而提供精准的模拟行为。这种方法避免了传统LLM智能体在捕捉长期用户动态方面的不足，同时避免了直接微调LLM带来的计算负担。

工程权衡与实测表现

PsyBer-Agent在多个方面进行了优化：

• 计算效率：通过轻量级策略指导，避免了对LLM的频繁微调，降低了计算成本。
• 模拟真实性：在WebSim平台和PsyBer基准测试集中，PsyBer-Agent在行为差异性测试中表现优异，显著低于仅依赖提示的模拟器。
• 并发性能：在多达500万条模拟任务的测试中，PsyBer-Agent在有限并发条件下保持了稳定的性能。

开发者落地与部署建议

PsyBer-Agent适用于需要长期保持真实性的推荐系统模拟场景，特别是那些涉及用户动态行为变化的领域。以下是一些部署建议：

1. 数据准备：确保有足够的真实交互日志用于训练和校准模拟器。
2. 模型调优：根据具体应用场景调整潜状态的数量和定义，以更好地捕捉用户行为。
3. 基准测试：利用WebSim平台和PsyBer基准测试集进行模型评估，确保模拟行为的真实性和鲁棒性。

结论

PsyBer-Agent通过创新的心理学驱动模拟机制，填补了现有LLM智能体在用户动态行为建模方面的空白。其在计算效率、模拟真实性和并发性能方面的优势，使其成为推荐系统模拟领域的强大工具。

---

消息来源：Hugging Face Daily Papers (2026-09-26)

—— 完 ——

主题标签： #PsyBer 关注 #推荐系统 关注 #心理学驱动 关注 #模拟器 关注 #用户行为建模 关注