现在主流的用户模拟方法，是根据历史行为生成一份静态的用户肖像，再让智能体始终按照这份用户肖像行动。一个被定义为谨慎的模拟用户可能从头到尾都在观望，但真实用户的状态却会随着环境刺激持续改变，行为轨迹也会随之发生变化。如果警告能够结合直播间上下文，以及用户此刻的兴趣、信任、欲望和疲劳状态，动态生成个性化劝阻方案，那么即使这些状态只是粗粒度的数值估计，并不依赖对用户完整内部状态的直接访问，用户转化率也能从 18.19% 降至 8.61%，保护成功率达到 58.68%。
现在主流的用户模拟方法，是根据历史行为生成一份静态的用户肖像，再让智能体始终按照这份用户肖像行动。一个被定义为谨慎的模拟用户可能从头到尾都在观望，但真实用户的状态却会随着环境刺激持续改变，行为轨迹也会随之发生变化。如果警告能够结合直播间上下文，以及用户此刻的兴趣、信任、欲望和疲劳状态，动态生成个性化劝阻方案，那么即使这些状态只是粗粒度的数值估计，并不依赖对用户完整内部状态的直接访问，用户转化率也能从 18.19% 降至 8.61%，保护成功率达到 58.68%。