基于LLM智能体的去中心化双边匹配框架提出

发生了什么

研究团队提出融合大语言模型智能体与上下文随机臂的动态二分匹配框架，应用于仿真中国婚恋市场场景：具备经济学行为基础的LLM智能体仅对本地遇到的候选对象做评估，通过专属Logistic-UCB模型从实际表白结果中学习对方接受概率，分离“我喜欢谁”和“谁会接受我”两类决策，无需预先掌握全市场偏好排序。在50×50规模匹配实验中，该方案取得平均56.01的双向福利值，高于Gale-Shapley算法的54.87。

关键信息

匹配机制构成

LLM行为建模+Logistic-UCB随机臂在线学习

实验场景

50×50规模仿真中国婚恋市场

平均双向福利值

Bandit-UCB 56.01，Gale-Shapley 54.87

对比传统基线的优势

性别排名差距更小、阻塞对数量最少

背景

传统二分匹配经典算法Gale-Shapley假设参与者掌握完整偏好、由中心统一计算结果，但现实中多数匹配过程是去中心化、异步开展的，参与者信息有限，靠Sequential互动推进，与经典假设存在明显差距。

为什么重要

对经济模拟、计算社会科学领域的研究者而言，这套去中心化建模范式更贴合真实婚恋、求职、平台撮合等不完全信息场景的行为逻辑，不需要预先收集全量市场偏好就能开展仿真；对传统市场设计行业来说，结果打破了“中心化匹配更优”的固有认知，为未来设计更公平的分布式匹配机制提供了新的技术方向，也能减少传统算法可能带来的群体福利偏差。

后续看点

后续可关注该框架能否落地到真实婚恋、就业撮合场景，以及扩展到其他多主体动态匹配问题的实际表现。