Agent4Rec

<div align=center> <h1>推荐系统中的生成式智能体</h1> <img src="https://img.shields.io/badge/License-MIT-blue" alt="license">

Agent4Rec是一个拥有1,000个由大语言模型驱动的生成式智能体的推荐系统模拟器。这些智能体基于MovieLens-1M数据集初始化，具有不同的社交特征和偏好。每个智能体以逐页方式与个性化电影推荐进行交互，并执行观看、评分、评价、退出和访谈等各种操作。通过Agent4Rec，我们希望探索大语言模型驱动的生成式智能体在模拟推荐环境中真实、独立人类行为方面的潜力。

</div> <p id="Catalogue"></p>

📋 目录

<div> <img src="https://yellow-cdn.veclightyear.com/0a4dffa0/800d5f55-aadb-4384-ae01-bffa70a1853c.png" height=40"> </div>

• 目录
• 准备工作
• 模拟
  • 快速开始
  • 探索各种推荐器设置
  • 查看结果
• 模拟成本

<p id="Preparations"></p>

⚙️ 准备工作

步骤1. 安装requirements.txt

设置虚拟环境并手动安装pytorch。之后，通过运行以下命令安装requirements.txt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。Python 3.10以上版本可能会导致'reckit'包出现一些错误。

步骤2. 设置必要的环境

确保您在recommenders/目录下（可以找到setup.py的位置），然后运行以下代码：

python setup.py build_ext --inplace

该命令将安装加速推荐器评估所需的必要工具。

<p id="Simulation"></p>

⌛️ 模拟

确保您在主目录下（可以找到main.py的位置）。

首先导出您的OpenAI API密钥：

export OPENAI_API_KEY=<您的OpenAI API密钥>

将<您的OpenAI API密钥>替换为您自己的OpenAI API密钥。

<p id="Quick-Start"></p>

快速开始

通过运行以下命令，您将启动一个包含3个智能体的简单模拟。

python main.py

智能体对推荐项目的响应将在终端中打印。这个模拟大约需要3分钟完成。

<p id="Explore-Various-Recommender-Settings"></p>

探索各种推荐器设置

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MyExp的模拟，包含10个智能体，每个智能体最多浏览5页，每页4个项目。此示例中使用的推荐器是矩阵分解（简称MF）。实验将以并行模式执行以加快模拟速度。

您可以通过修改命令中的--modeltype <model_name>来选择使用的推荐器。您可以将<model_name>替换为以下支持的推荐器：

• Random：随机向用户推荐项目。
• Pop：随机向用户推荐热门项目。
• MF：使用BPR损失预训练的矩阵分解模型。
• MultVAE：预训练的MultVAE模型。
• LightGCN：使用BPR损失预训练的LightGCN模型。

<p id="Results"></p>

查看结果

模拟结果将保存在storage/ml-1m/<model_name>/<experiment_name>目录中。对于探索各种推荐器设置部分的命令，结果将保存在storage/ml-1m/MyExp目录中。智能体0的所有交互历史记录在storage/ml-1m/MF/MyExp/running_logs/0.txt文件中。

<p id="Simulation-Cost"></p>

💰 模拟成本

🛎️ 请注意，所有实验都由ChatGPT-3.5提供支持，涉及1000个用户的完整模拟大约需要16美元。（每用户0.016美元）