Agent4Rec，一个推荐系统模拟器，拥有 1,000 个 LLM 授权的生成代理。这些代理是从MovieLens-1M数据集初始化的，体现了不同的社会特征和偏好。每个智能体以逐页的方式与个性化电影推荐进行交互，并进行观看、评分、评价、退出、采访等各种动作。通过 Agent4Rec，我们希望探索 LLM 授权的生成代理在模拟推荐环境中真实、独立的人类行为方面的潜力。
设置 virtualenv 并手动安装pytorch。之后，requirements.txt通过运行以下命令安装文件中列出的所有依赖项：
pip install -r requirements.txt
我们的实验已在Python 3.9.12 和 PyTorch 1.13.1+cu117上进行了测试。
确保您位于recommenders/（setup.py可以找到的目录）中，然后运行以下代码。
python setup.py build_ext --inplace
该命令将安装必要的工具来加速推荐器评估。
确保您位于主目录（main.py可以找到的位置）。
首先导出您的 OpenAI API 密钥：
export OPENAI_API_KEY=<Your OpenAI API key>
将 <Your OpenAI API key> 替换为您自己的 OpenAI API key。
通过运行以下命令，您将启动3 个代理的玩具模拟。
python main.py
代理对推荐项目的响应将打印在终端中。此模拟大约需要3 分钟才能完成。
Agent4Rec支持各种推荐系统和不同的模拟配置。
python main.py --simulation_name MyExp --modeltype MF --n_avatars 10 --max_pages 5 --items_per_page 4 --execution_mode parallel
通过运行此代码，您将启动一个名为MyExp10 个代理的模拟，每个代理将最多浏览 5 个页面，单个页面上有 4 个项目。本示例中使用的推荐器是矩阵分解（MF 的缩写）。并且实验将以并行模型执行，以加快仿真速度。
--modeltype <model_name>您可以通过在命令中修改来选择使用的推荐器。您可以替换<model_name>为以下受支持的推荐器：
Random：向用户随机推荐物品。Pop：随机向用户推荐热门商品。MF：具有 BPR 损失的预训练矩阵分解模型。MultVAE：具有 BPR 损失的预训练MultVAE模型。LightGCN：具有 BPR 损失的预训练LightGCN模型。
模拟结果将保存在storage/ml-1m/<model_name>/<experiment_name>目录中。至于“探索各种推荐器设置”部分中的命令，结果将保存在storage/ml-1m/MyExp目录中。代理 0 的所有交互历史都记录在storage/ml-1m/MF/MyExp/running_logs/0.txt
🛎️ 请注意，所有实验均由 ChatGPT-3.5 提供支持，涉及 1000 个用户的完整模拟将花费大约 16 美元。（0.016 美元/用户）