A LLM-based Controllable, Scalable, Human-Involved User Simulator Framework for Conversational Recommender Systems

会话式推荐系统（CRS）利用用户的实时反馈动态建模其偏好，从而增强系统提供个性化推荐的能力，提高用户体验。CRS已经展示了显著的优势，促使研究人员集中精力开发更加逼真和可信赖的用户模拟器。大型语言模型（LLM）的出现标志着计算能力的新时代的开始，展示了在各种任务中具有人类水平智能的能力。已经进行了利用LLM构建用户模拟器以评估CRS性能的研究工作。尽管这些努力展示了创新，但伴随着一定的限制。在本文中，我们介绍了一个可控、可扩展和人类参与的（CSHI）模拟器框架，通过插件管理器管理用户模拟器在各个阶段的行为。CSHI定制了用户行为和交互的模拟，以提供更加逼真和令人信服的用户交互体验。通过在两个会话式推荐场景中的实验和案例研究，我们展示了我们的框架可以适应各种会话式推荐设置，并有效地模拟用户的个性化偏好。因此，我们的模拟器能够生成与真实用户非常接近的反馈。这有助于可靠评估现有的CRS研究，并促进高质量的会话式推荐数据集的创建。

提高对话推荐系统的个性化能力，通过开发更加逼真可信的用户模拟器来评估对话推荐系统的性能

提出了一个可控、可扩展且人类参与的模拟器框架，通过插件管理器管理用户模拟器的行为，定制用户行为和交互的模拟，提高了用户交互体验，实现了对不同对话推荐场景的适应，并有效地模拟了用户的个性化偏好，生成了与真实用户反馈相似的反馈数据，以此评估对话推荐系统的性能

实验设计了两个对话推荐场景，展示了模拟器框架的适应性和有效性，提供了高质量的对话推荐数据集，为对话推荐系统的研究提供了可靠的评估手段

最近的相关研究包括基于大型语言模型的用户模拟器构建，以及对话推荐系统的性能评估研究，如《Conversational Recommender System》