RECOSIM：一个通用、准确且可扩展的在线社区推荐模拟框架

《ACM Transactions on Information Systems》：RECOSIM: A Universal, Accurate, and Scalable Simulation Framework for Online Community Recommendations

作为推荐系统在在线社区中的关键组成部分，其影响研究面临现实实验成本高、伦理风险大的挑战。为此提出RECOSIM仿真框架，通过解耦用户代理为编码、解码、行为、评分和生成五个模块，结合三阶段四策略架构实现高效准确的跨场景模拟。基于微博和知乎的真实数据验证，该框架在用户行为建模和系统稳定性方面表现优异，并深入分析推荐策略对社区增长的影响机制。

　　

摘要

随着推荐系统在在线社区中变得越来越重要，研究它们对这些社区的影响也变得至关重要。由于现实世界中的社会实验成本高昂且存在伦理风险，研究人员构建了推荐系统模拟器来研究推荐系统与用户之间的互动。然而，现有的模拟器在为涉及数百万内容和具有多种行为类型的用户提供通用、准确且可扩展的互动建模方面面临挑战。为了解决这些问题，我们提出了RECOSIM这一模拟框架，它能够在各种场景下高效地进行推荐系统互动模拟。RECOSIM将用户代理分解为五个基本模块：编码模型（Encode Model）、解码模型（Decode Model）、活动模型（Activity Model）、评分模型（Scoring Model）和生成模型（Generation Model），从而实现对用户行为和互动动态的准确且可扩展的建模。推荐系统代理遵循既定的行业架构，实施三个阶段和四种基本策略，从而提高了其在不同平台上的通用性和模拟的计算效率。通过使用两个真实世界的数据集（微博和知乎），我们验证了RECOSIM各个组件及其整体框架的准确性和稳定性，证明了RECOSIM作为模拟环境的可靠性。随后，我们深入分析了四种基本推荐策略对在线社区的影响，为提升用户参与度和社区发展提供了设计灵感。