Agent4Rec 是论文“On Generative Agents in Recommendation”（SIGIR 2024 perspective）的实现，一个带有 1000 个由 LLM 赋能的生成式智能体的推荐系统模拟器。这些智能体从 MovieLens-1M 数据集初始化，体现不同的社会特征和偏好。每个智能体以逐页方式与个性化电影推荐交互，并执行观看、评分、评价、退出和访谈等多种动作。通过 Agent4Rec，可以探索 LLM 赋能的生成式智能体在推荐环境中模拟真实、独立人类行为的潜力。
主要能力：
- 支持 1000 个生成式智能体的模拟。
- 智能体从 MovieLens-1M 数据集初始化，具有多样化的社会特征和偏好。
- 每个智能体与个性化电影推荐进行逐页交互，并执行观看、评分、评价、退出和访谈等动作。
- 支持多种推荐系统：Random（随机推荐物品）、Pop（随机推荐流行物品）、MF（带 BPR 损失的预训练矩阵分解模型）、MultVAE（预训练的 MultVAE 模型）、LightGCN（带 BPR 损失的预训练 LightGCN 模型）。
- 支持不同的模拟配置，如智能体数量、每页物品数、最大浏览页数、并行模式等。
使用方式：
- 准备环境：
- 安装 requirements.txt。建议设置虚拟环境并手动安装 PyTorch。实验测试于 Python 3.9.12 与 PyTorch 1.13.1+cu117。Python 版本高于 3.10 可能导致 'reckit' 包出现 bug。
- 安装必要环境：进入 recommenders/ 目录（包含 setup.py）运行相关代码，安装加速推荐评估所需的工具。
- 运行模拟：
- 确保位于主目录（包含 main.py），导出 OpenAI API 密钥：export OPENAI_API_KEY=<Your OpenAI API key>，将 <Your OpenAI API key> 替换为自己的 OpenAI API 密钥。
- 运行以下命令可启动包含 3 个智能体的玩具模拟，智能体对推荐物品的响应将打印在终端，约 3 分钟完成。
- 支持多种推荐系统和配置：例如运行命名 MyExp 的模拟，10 个智能体，每个智能体最多浏览 5 页，每页 4 个物品，推荐器使用 MF，实验以并行模式加速。可通过修改 --modeltype <model_name> 选择推荐器。
- 查看结果：
- 模拟结果保存在 storage/ml-1m/<model_name>/<experiment_name> 目录。例如上述命令结果保存在 storage/ml-1m/MyExp 目录。智能体 0 的所有交互历史记录在 storage/ml-1m/MF/MyExp/running_logs/0.txt。
模拟成本： 所有实验由 ChatGPT-3.5 驱动，涉及 1000 个用户的完整模拟成本约为 16 美元（每用户 0.016 美元）。
