计算机科学 > 计算机与社会
[提交于 2025年10月18日
]
标题: 将大语言模型和基于扩散的智能体整合用于社会模拟
标题: Integrating LLM and Diffusion-Based Agents for Social Simulation
摘要: 基于代理的社会模拟为预测社会信息扩散提供了一种有价值的方法论,但现有方法面临两个主要限制。传统的代理模型通常依赖于刚性的行为规则,并缺乏对文本内容的语义理解,而新兴的大语言模型(LLM)驱动的代理在大规模情况下会带来高昂的计算成本。为解决这些挑战,我们提出了一种混合模拟框架,该框架战略性地将LLM驱动的代理与基于扩散模型的代理相结合。该框架使用基于LLM的代理来模拟具有丰富语义推理的核心用户子集,而扩散模型则高效地处理剩余人群。尽管这两种代理类型在不同的用户群体上运行,但它们都包含了包括用户个性化、社交影响和内容意识在内的关键因素,并通过协调的模拟过程进行交互。在三个真实数据集上的广泛实验表明,我们的框架在预测准确性方面优于现有方法,验证了其模块化设计的有效性。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.