大语言模型时代社交网络模拟综述：从经典模型到生成式智能体

《Knowledge-Based Systems》：A survey of social network simulation in the LLM era: From classical models to Generative Agents

　　

- 统合了跨越五个模型家族的97项社交网络模拟研究。- 关联了图、扩散、观点、基于代理和语言模型方法。- 展示了大语言模型如何重塑社交模拟工作流程。- 按规模、记忆、网络设计和协调机制对平台进行比较。- 编目了48个实现、21个基准和22个评估指标。

引言

社交网络介入了数十亿人形成观点、分享信息和协调集体行动的方式 [9], [10]。理解虚假信息如何在用户链中变异 [11]、算法如何放大或抑制内容 [12]、以及回音室如何从局部观点交流中结晶 [13], [14]，是计算社会科学中最紧迫的挑战之一。由于在活跃平台上进行直接实验存在伦理和后勤障碍，模拟作为一种原则性替代方案应运而生 [15], [16], [17]。

在七十年间——从1956年French的基础影响力模型 [18] 到2024-2025年的百万级代理LLM平台——出现了五个范式家族：网络结构模型 [10], [19]、信息扩散模型 [20]、观点动力学模型 [21], [22]、基于代理的模型（ABMs）[17]，以及基于LLM的代理模拟 [15], [23]。大语言模型引发了一次质的转变：经典代理将观点简化为 [0,1] 上的标量，而LLM代理处理全文帖子、维护多层记忆，并从粗粒度的发帖/转发决策 [23] 到21种平台原生操作 [16] 中选择行动。这种保真度已产生了具体成果——ElectionSim预测了47/51个美国州级结果 [24]，OASIS维持一百万个代理 [16]，生成式代理在无显式编程的情况下产生涌现扩散和协调 [15]——同时也再现了经典模型需要专门方程描述的现象：同质性 [13]、回音室 [14]、社会规范 [25] 和虚假信息变异 [11]。

尽管取得了这些进展，该领域面临四个相互关联的挑战。第一，研究被割裂：在八篇先前的调查中（表1），没有一篇涵盖所有五个范式。第二，验证仍然是一个瓶颈——基于自我报告的LLM代理在留出的General Social Survey条目上达到参与者两周测试-重测一致性测试的83%-86% [26]，并且缺乏共享基准。第三，规模-保真度权衡持续存在：运行30个前沿代理每月花费数万美元 [27]，且成本降低技术 [28], [29] 需要系统比较。第四，双重使用风险要求负责任的框架，因为LLM驱动的机器人可以规避现有检测管道 [30]。

社交网络模拟是一项知识密集型工作 [31], [32]：每个范式都在智能系统中编码了领域知识——图论先验、观点更新规则或检索增强的代理记忆——用于预测、群体决策 [33] 以及对抗虚假信息 [34], [35]。其从手工规则到数据驱动的LLM架构的演化已经产生了用于选举预测 [24] 和虚假信息对策 [30] 的决策支持平台，使得统一调查对知识密集型系统社区来说时机成熟。

贡献。本调查提供了从经典模型（1956年至今）到基于LLM的平台（2023年至今）的统一处理。我们的贡献是：

- 统一分类法：涵盖五个范式的97篇论文，具有统一的符号表示（表2）和分类法（图1）。
- 经典-代理桥梁：将数学基础（第3-5节）与LLM适应（第6节）相连，桥接网络科学与NLP。
- 平台架构：基于LLM的系统在规模、拓扑、记忆和协调方面的系统比较（表7）。
- 应用领域：五领域映射（第9节，表11）追踪向规范性政策设计、平台治理和干预测试的转变。
- 资源编目和在线仓库：48个实现、21个基准和22个指标在线可用（受空间限制），在持续维护的论文、代码、数据集和平台登记库 https://github.com/tamlhp/awesome-sns 中。
- 研究路线图：七个关键前沿（第10节）解决验证、扩展和负责任使用。

与现有调查的区别。表1将我们的调查与八项先前工作进行了比较。前LLM调查 [1], [2], [3] 最多覆盖两个范式家族；LLM聚焦的综述 [4], [5], [6], [7] 遗漏了经典基础；而跨度最广的调查 [8] 没有涉及基于LLM的模拟。最近的生成式代理和基于LLM的代理建模综述 [4], [5], [7] 已经覆盖了基于LLM文献的很大一部分，我们并不在那部分内容上主张优先权。相反，据我们所知，没有一篇先前的调查同时提供（i）所有五个范式家族的覆盖，（ii）统一的经典-代理分类法，（iii）系统性的应用领域映射，以及（iv）资源编目。因此我们的贡献主要是跨范式统一和综合，而非根本性的新方法论，并在整篇论文中明确保持这一范围。

论文组织。第2节建立符号和分类法。第3-5节涵盖经典范式（网络、扩散、观点动力学、ABMs）；第6节呈现基于LLM的代理模拟；第7节综合跨范式指南；第9节将方法与应用领域映射；第10节概述挑战和未来方向；第11节总结。关注LLM模拟的读者可从第6节开始；关注数学基础的读者可从第3节开始。

章节摘要

背景与预备知识

本节建立整篇论文使用的符号、核心定义和结构性质。表2总结了主要符号；以下逐一进行定义。

我们首先给出三个限定本调查范围的定义。

定义1 社交网络模拟：给定社交图 G=(V,E)，代理状态向量 x(t) 和动力学模型 F，社交网络模拟通过迭代 x(t+1)=F(G(t),x(t)) 并通过联系形成或溶解规则可选地演化 G(t)，产生轨迹 {G(t),x(t)}_{t=0}^T。

定义2 范式家族：范式家族是一种

网络结构模型

网络模型提供了所有后续动力学——扩散、观点形成、集体行动——展开的结构基底。核心目标是生成合成图，使其统计性质（度分布、聚类系数、平均路径长度、社区结构）与真实社交网络中观察到的相匹配。图4预览了本节涵盖的五个经典生成器如何产生明显不同的结构指纹——从无特征的

经典动力学模型

经典动力学模型用数学规则补充网络结构，支配内容、信念或行为在网络上的演化。我们将其组织为两个主要分支——信息扩散和观点动力学——并以对其共享假设和局限性的比较总结结束。图5预览了本节涵盖的四种经典机制：基于区室的流行病传播（SIR）、种子级联传播（IC/LT）、平均驱动的共识

基于规则的代理模型

基于代理的模型（ABMs）从底层模拟社会系统：每个代理遵循局部行为规则，宏观现象从个体交互的总量中涌现。与第4节的数学模型不同，ABMs可以在单一框架内纳入异质代理、空间结构、学习和共同演化的网络。图6通过跨越格子化社会分类、空间资源觅食、时间

基于LLM的代理社交模拟

大语言模型（LLMs）将社交模拟从手工规则转变为语言驱动的认知：每个代理以其决策背后的LLM将自然语言上下文——人格、记忆和当前观察——映射为社会行动。表7提供了本节调查中主要基于LLM的系统的架构比较。

第3-5节的经典范式将代理建模为规则遵循者，其行为被先验地完全指定。LLMs开启了一个根本不同的

实用指南

本节将调查转化为可操作的建议。我们超越表8的描述性比较，解决从业者面临的四个实际问题：选择哪个范式（第7.1节）、如何设计模拟循环（第7.2节）、如何设计验证（第7.3节），以及如何使研究可复现（第7.4节）。

验证与评估

验证是社交网络模拟中最薄弱的环节：许多系统，尤其是基于LLM的系统，产生看似合理的情景叙述而未证明该叙述是正确的（第6.9节）。我们将验证组织为五种方法的分类法，按推断强度排序，并评估已调查文献在每一点上的现状（表10）。

应用领域

第3-6节的范式跨越了多样化的社交应用。本节按应用领域组织文献，聚焦于网络或平台驱动的场景。我们追踪向LLM驱动模拟的转变，并提供跨领域比较（表11）。

挑战与未来方向

尽管从经典图生成器到百万级LLM驱动平台取得了快速进展，仍有几个根本性挑战存在。我们将其组织为七个基于已调查局限性的研究前沿。

结论

我们调查了横跨七十年的社交网络模拟，从经典数学模型到LLM驱动的代理平台，将97篇论文组织在五个范式家族和五个应用领域中。核心发现是从作为刚性规则遵循者的代理向具有语言接地认知的代理的转变——这一转变已产生可测量的进展：LLM代理在特定领域中复制现实世界结果 [24], [28]，混合LLM-ABM架构启用百万级代理

CRediT作者贡献声明

Thanh Tam Nguyen：撰写—原稿、方法论、概念化。Trinh Pham：撰写—原稿、验证、调查、数据整理。Viet Huynh：撰写—审阅与编辑、方法论、形式分析。Minh Hieu Nguyen：可视化、软件、调查、数据整理。Bay Vo：撰写—审阅与编辑、验证、监督、调查。Liang Qu：验证、资源、方法论、形式分析。Jianxin Li：撰写—审阅与编辑、验证，

生成式AI使用声明

作者使用了ChatGPT进行英文校对，审阅了所有编辑，并对内容承担全部责任。

利益冲突声明

作者声明他们没有已知的竞争性经济利益或个人关系可能影响本论文所报告的工作。

Thanh Tam Nguyen | Trinh Pham | Viet Huynh | Minh Hieu Nguyen | Bay Vo | Liang Qu | Jianxin Li | Hongzhi Yin | Quoc Viet Hung Nguyen