arXiv cs.AI· Erfan Shahabi, Amirhossein Roshandel, Mohammad Sadegh Sadeghi, Azadeh Shakery·· 3 天前AI 评分22
SimInter：基于访谈式画像增强的证据锚定用户模拟，用于对话推荐系统
SimInter: Evidence-Grounded User Simulation with Interview-Based Profile Enrichment for Conversational Recommender Systems
AI 导读
SimInter 通过两个 LLM 智能体之间的合成访谈，结合用户统计画像与历史对话证据，挖掘决策风格、方面级偏好和领域专长等隐式行为特征，并在画像增强前由审计智能体逐轮标记潜在的编造与刻板印象。
正文 · AI 翻译
摘要：对话推荐系统（CRSs）需要可靠的用户模拟器来进行高性价比的评估。基于 LLM 的模拟器使逼真模拟成为可能，但通常以来自显式评分、人口统计信息和静态来源的画像为条件，这些画像捕捉的是表层偏好，而忽略了隐式行为特征，如决策风格、方面级偏好和领域专业知识。我们提出 SimInter，一个通过两个 LLM 智能体之间的合成访谈来引出这些属性的流水线，其依据是用户的统计画像和历史对话证据。在画像丰富之前，一个审计智能体会在轮次级别明确标记潜在的捏造和刻板印象。我们在电影推荐上实例化并评估 SimInter。我们模拟了 300 名 ReDial 用户，并在 100 名用户的匹配子集上，将 SimInter 与仅使用统计信息的基线进行比较：SimInter 显著提高了所表达偏好方面的多样性（过滤后方面熵：1.619 对 0.859；配对 d = 0.96，Holm 校正后 p < 0.001）。当模拟器与两个训练好的推荐器 KBRD 和 UniCRS 在两名独立评估裁判下进行对话时，这一增益仍然存在（+0.28 至 +0.56 nats；所有 p < 0.001）。人工评估发现，94.3% 的丰富属性主张得到支持或部分支持，而在分层样本上，人工判断与审计器 95.2% 的二元过滤决策一致。
| 评论： | 25 页，11 幅图，12 张表。Erfan Shahabi 和 Amirhossein Roshandel 贡献相同 |
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI）；信息检索（cs.IR） |
| ACM 分类： | I.2.7; H.3.3 |
| 引用为： | arXiv:2610.18308 [cs.CL] |
| （或 arXiv:2610.18308v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.18308 arXiv 颁发的 DOI，经由 DataCite（待注册） |
提交历史
来自：Amirhossein Roshandel [查看电子邮件]
[v1]
2026 年 10 月 13 日星期二 12:52:35 UTC（651 KB）
来源：arXiv cs.AI · arxiv.org