基于大型语言模型（LLM）的 Agent4Rec 推荐系统模拟器能够模拟自主用户在电影推荐系统中的行为，并探索了推荐任务中的过滤泡沫效应和潜在因果关系的实验。
Oct, 2023
通过将推荐模型和大型语言模型相结合，本文介绍了一个名为 RecAgent 的高效框架，旨在创建一个多功能和交互式的推荐系统，通过整合大型语言模型，将传统的推荐系统转化为具有自然语言界面的交互系统。实验结果表明，RecAgent 作为一个对话式推荐系统表现出令人满意的性能，优于通用的大型语言模型。
Aug, 2023
通过利用大型语言模型（LLMs）模拟人类行为，本研究提出了一个综合框架，用于训练基于强化学习（RL）的推荐系统，并提供了深入的消融研究，通过电影和书籍推荐实验证明了其有效性。
Jun, 2024
本文介绍了一种基于生成对抗网络的用户模拟器，可以用于预先训练和评估新的基于强化学习的推荐算法，并使用真实世界的电子商务数据进行实验验证。
Jun, 2019
我们提出了 AgentCF，通过基于代理的协同过滤来模拟推荐系统中的用户 - 项目交互，优化代理以模拟其二者之间的关系，并展示了个性化行为，引发了下一代用户行为模拟的发展。
使用大型语言模型构建的用户搜索行为模拟器在查询生成方面优于现有方法，并在预测用户点击和停止行为方面可与传统方法媲美。这些结果不仅验证了使用大型语言模型进行用户模拟的有效性，还为更强大和通用的用户模拟器的开发提供了启示。
Mar, 2024
本文介绍了一种名为 RecSim NG 的概率化平台，用于模拟多智能体交互的建议系统，并演示了如何使用它来生成可配置的模型，以帮助研究人员和从业者轻松地开发和训练新的算法。
Mar, 2021
本篇研究利用仿真器训练上下文感知策略来处理 Long-term user engagement 优化中的现实间隙问题，该策略能够在模拟器和真实环境中学习和识别用户行为模式，并在不同环境下作出最佳决策，实验结果表明 Sim2Rec 模型在模拟环境和真实环境中均可以有效推荐。
May, 2023
RecSim 是一个可配置的用于制作序列交互推荐环境的平台，支持反馈学习和推荐系统技术的发展。
Sep, 2019
本文提出使用大型语言模型与 Chat-Rec 范例的对话推荐系统（CRS）来提高传统推荐系统的互动性与可解释性，并演示了其在学习用户喜好和在零样本评级预测任务的表现改进方面具有的有效性。
Mar, 2023