論文の概要: Decision-aware User Simulation Agent for Evaluating Conversational Recommender Systems

• arxiv url: http://arxiv.org/abs/2605.05250v1
• Date: Tue, 05 May 2026 15:11:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.313538
• Title: Decision-aware User Simulation Agent for Evaluating Conversational Recommender Systems
• Title（参考訳）: 会話レコメンダシステム評価のための意思決定型ユーザシミュレーションエージェント
• Authors: Yuan-Chi Li, Li-Chi Chen, Sung-Yi Wu, Yu-Che Tsai, Shou-De Lin,
• Abstract要約: Hesitatorは理論に基づくユーザーシミュレーションフレームワークで、選択過負荷下での人間の意思決定を明示的にモデル化する。 ヘシテーターは、精神経済学から確立した行動パターンを再現し、人間の決定行動のモデル化能力を示す。
• 参考スコア（独自算出の注目度）: 4.515081840452073
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conversational recommender systems (CRS) increasingly rely on user simulators for automated evaluation of sales agents. A key requirement for such simulators is the ability to model human decision-making. However, most existing simulation frameworks do not explicitly model the internal decision process, and LLM-based simulators often exhibit unrealistically strong information-processing capabilities, rarely exhibit the hesitation or decision deferral commonly observed in real consumer behavior, resulting in overly high acceptance probabilities. To address this limitation, we propose Hesitator, a theory-grounded user simulation framework that explicitly models human decision-making under choice overload. The framework introduces a modular Decision Module that separates utility-based item selection from overload-aware commitment decisions. Experiments across multiple user simulation frameworks, domains, sales modes, and LLM backbones show that integrating our module consistently mitigates unrealistic behaviors under increasing overload conditions. Furthermore, Hesitator reproduces established behavioral patterns from psychological economics, demonstrating its ability to model human decision behavior.
• Abstract（参考訳）: 会話レコメンデータシステム(CRS)は、セールスエージェントの自動評価にユーザーシミュレーターを頼りにしている。 このようなシミュレータのキーとなる要件は、人間の意思決定をモデル化する能力である。 しかし、既存のほとんどのシミュレーションフレームワークは内部決定過程を明示的にモデル化していないため、LCMベースのシミュレータは非現実的に強力な情報処理能力を示し、実際の消費者行動でよく見られるヒューイストや決定の遅延を示すことは滅多になく、非常に高い受容確率をもたらす。 この制限に対処するために,提案するHesitatorは,選択過負荷下での人的意思決定を明示的にモデル化する,理論に基づくユーザシミュレーションフレームワークである。 このフレームワークでは,ユーティリティベースの項目選択とオーバーロードを意識したコミットメント決定を分離するモジュール型決定モジュールが導入されている。 複数のユーザシミュレーションフレームワーク、ドメイン、販売モード、LLMバックボーンに対する実験は、モジュールの統合がオーバーロード条件の増加の下で非現実的な振る舞いを一貫して緩和することを示している。 さらに、Hesitatorは精神経済学から確立した行動パターンを再現し、人間の決定行動のモデル化能力を示す。

関連論文リスト

• LLM-Based Multi-Agent System for Simulating and Analyzing Marketing and Consumer Behavior [1.6352616029995921]
  LLMを利用したマルチエージェント・シミュレーション・フレームワークを導入し,消費者の意思決定とソーシャル・ダイナミクスをモデル化する。 価格割引マーケティングのシナリオでは、システムは実行可能な戦略テスト結果を提供する。
  論文  参考訳（メタデータ） (2025-10-20T23:15:44Z)
• PUB: An LLM-Enhanced Personality-Driven User Behaviour Simulator for Recommender System Evaluation [9.841963696576546]
  Personality-driven User Behaviour Simulator (PUB)は、パーソナライズされたユーザの振る舞いをモデル化するために、Big Fiveのパーソナリティ特性を統合している。 PUBは、行動ログ(例えば、評価、レビュー)とアイテムメタデータからユーザーの個性を動的に推論し、その後、実際のデータに対する統計的忠実性を保存するための合成相互作用を生成する。 Amazonレビューデータセットの実験では、PUBが生成したログは実際のユーザの行動と密接に一致し、パーソナリティ特性とレコメンデーション結果の間に有意義な関連性を明らかにする。
  論文  参考訳（メタデータ） (2025-06-05T01:57:36Z)
• Understanding Endogenous Data Drift in Adaptive Models with Recourse-Seeking Users [6.782864450313782]
  資源制約と競合力学の下で,ユーザの戦略的行動と意思決定システムとの相互作用について検討する。 本稿では,Fair-top-kとDynamic Continual Learningの2つの手法を提案する。 我々の研究は、アルゴリズムによる意思決定がより高い基準を意図せずに強化し、導入に対する内在的障壁を発生させる方法について、経済理論と結びついている。
  論文  参考訳（メタデータ） (2025-03-12T12:17:34Z)
• LLM experiments with simulation: Large Language Model Multi-Agent System for Simulation Model Parametrization in Digital Twins [4.773175285216063]
  本稿では,大規模言語モデル(LLM)を適用し,デジタル双生児におけるシミュレーションモデルのパラメトリゼーションを自動化する新しいフレームワークを提案する。 提案手法は,LLMの知識を取り入れたシミュレーションモデルのユーザビリティを向上させる。 このシステムは、ユーザのフレンドリさを高め、人間のユーザの認知負荷を軽減する可能性がある。
  論文  参考訳（メタデータ） (2024-05-28T11:59:40Z)
• Modeling Boundedly Rational Agents with Latent Inference Budgets [56.24971011281947]
  エージェントの計算制約を明示的にモデル化する潜在推論予算モデル(L-IBM)を導入する。 L-IBMは、最適なアクターの多様な集団のデータを使ってエージェントモデルを学ぶことができる。 我々は,L-IBMが不確実性の下での意思決定のボルツマンモデルに適合しているか,あるいは上回っていることを示す。
  論文  参考訳（メタデータ） (2023-12-07T03:55:51Z)
• User Behavior Simulation with Large Language Model based Agents [116.74368915420065]
  LLMベースのエージェントフレームワークを提案し,実際のユーザ動作をシミュレートするサンドボックス環境を設計する。 実験結果から,本手法のシミュレーション行動は実人の行動に非常に近いことが判明した。
  論文  参考訳（メタデータ） (2023-06-05T02:58:35Z)
• DeforestVis: Behavior Analysis of Machine Learning Models with Surrogate Decision Stumps [46.58231605323107]
  複雑なMLモデルの振る舞いを要約する視覚解析ツールであるDeforestVisを提案する。 DeforestVisは、より多くの切り株をインクリメンタルに生成することで、複雑さとフィデリティのトレードオフを探索するのに役立つ。 DeforestVisの適用性と有用性について,2つのユースケースと,データアナリストとモデル開発者とのエキスパートインタビューで紹介する。
  論文  参考訳（メタデータ） (2023-03-31T21:17:15Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。