基于网络干扰下因果推断的主动社交推荐系统NIRec：实现用户兴趣精准引导与体验保护的双重目标

针对传统推荐系统忽视社交网络中邻居曝光对目标用户反馈的干扰效应问题，本研究提出主动推荐框架PRSN及实现模型NIRec。通过因果推断与干扰表征建模，实现在提升目标用户对指定物品交互概率的同时，有效控制对邻居用户体验的损害。实验证明NIRec在Ciao、Epinions等数据集上显著优于基线模型，为社交推荐中的因果干预提供了新范式。

　　

在当今的社交推荐系统中，一个长期被忽视的核心问题是：当向目标用户的社交邻居推荐特定物品时，这种曝光行为是否会反向影响目标用户自身对该物品的偏好？传统推荐模型通常基于"无干扰"的强假设，即每个用户-物品对的反馈仅取决于该用户和物品的特征，而忽略社交网络中存在的复杂交互影响。这种简化导致系统无法主动引导用户兴趣，也难以评估推荐策略对社交圈内其他用户体验的潜在损害。

针对这一挑战，发表于《AI Open》的研究论文《Neighbor interference-aware recommender for proactive recommendation in social networks》开创性地提出了主动社交推荐（PRSN）新范式。研究团队首次将因果推断中的网络干扰理论引入推荐系统，构建了邻居干扰感知推荐模型NIRec，实现了在精准引导目标用户兴趣的同时，最小化对邻居用户体验的负面影响。

研究采用三大关键技术方法：首先基于矩阵分解和LightGCN生成用户物品表征；其次通过半模拟实验框架生成含干扰效应的用户反馈数据，其中使用Ciao、Epinions和Filmtrust三个真实数据集构建模拟环境；最后采用基于注意力机制的掩码图卷积网络建模干扰表征，并通过后学习优化模块实现干预策略的帕累托最优。

4.1 Identification 章节通过三个核心假设建立了因果推断的理论基础。假设1提出存在干扰表征函数?(·)能够充分捕捉邻居处理效应；假设2确