消费者与基于大规模语言模型的AI代理互动中的享乐主义和实用主义价值观：一个营销视角

《Scientific Reports》：Hedonic and utilitarian values in consumer interactions with LLM-based AI agents: a marketing perspective

　　

摘要

本文提出了一种自适应稀疏图神经网络（AS-GNN）框架，用于神经营销应用中享乐性和功能性反应的实时分类，解决了传统多模态融合方法在计算效率上的不足。该框架通过使用基于梯度的加权稀疏化准则动态剪除非关键的跨模态交互，从而实现对异构神经测量数据和行为数据流（包括脑电图、眼动追踪以及大语言模型生成的日志）的延迟优化处理。一种门控式跨模态注意力机制有选择地保留对分类至关重要的边缘；同时，特定于模态的剪枝控制器能够根据信号条件的变化自适应调节稀疏化阈值，以确保预测准确性。与密集型GNN架构相比，在70%的稀疏度下，该方法的计算开销降低了约63%，且在分类准确性（F1分数）仍超过92%的情况下实现了这一效果。该框架使用的是一个模拟神经营销信号特性的合成数据集进行验证；下一步需要通过实际应用进行验证，通过硬件加速实现的端到端延迟低于50毫秒进一步证明了其有效性。此外，结合了考虑稀疏性的邻接权重重置机制和强化学习 Based 剪枝策略，使得该框架在消费者反应快速变化的动态购物环境中表现出良好的鲁棒性。该框架弥合了实时处理需求与神经营销数据高维特性之间的差距，为基于自适应大语言模型的消费者参与度提升提供了可扩展的解决方案。AS-GNN的模块化设计使得现有数据处理流程中的静态融合层可以轻松替换，为实际应用中的集成指明了方向。