论文名称：A Multi-Agent Recommendation Simulation for Information Cocoon Analysis and Mitigation
论文作者：李欣阳、孙承杰、杨双嘉、裴晏升、刘秉权
作者单位：哈尔滨工业大学
发表会议：The 27th International Conference on Web Information Systems Engineering（CCF-B类会议）
会议官网：https://conferences.sigappfr.org/wise2026/
近日，2025级研究生李欣阳为第一作者的论文“A Multi-Agent Recommendation Simulation for Information Cocoon Analysis and Mitigation”被第27届国际Web信息系统工程会议（WISE 2026）录用。论文针对推荐系统长期运行中的信息茧房问题，提出由推荐智能体与用户智能体构成的多轮闭环模拟框架，记录推荐曝光、用户消费和状态变化，通过动态协调相关性与多样性缓解曝光集中、内容重复和用户厌倦的情况。
1. 研究背景
现代推荐系统通常依据用户的交互历史，从海量内容中筛选并排序用户可能感兴趣的项目。然而，推荐系统的影响并不止于一次排序，用户接触到的内容会影响其后续选择，而这些选择又会被纳入后续的交互历史，进一步影响之后的推荐。随着交互持续，系统的曝光可能逐渐集中于较为狭窄的主题、类型、文化或项目群体，这种由个性化推荐造成的曝光收窄现象通常被称为信息茧房[1,2]。
HR、NDCG等离线Top-K指标主要评估模型的排序能力，无法表明多轮推荐是否让曝光越来越集中于相似内容，也难以反映用户的厌倦、疲劳和探索需求是否随交互发生变化[3]。因此，研究信息茧房需要一个能够模拟连续推荐交互的环境，在同一过程中记录推荐决策、展示曝光、用户反馈、用户状态和排序准确率。基于这一需求，本文构建了由推荐智能体和用户智能体组成的多智能体推荐模拟框架，通过模拟推荐、用户选择、反馈与状态更新，观察信息茧房在多轮交互中的形成过程，并分析动态推荐策略的缓解效果。
2. 研究方法
本文设计了一个面向信息茧房分析与缓解的多智能体推荐模拟框架，由推荐智能体和用户智能体共同构成。推荐智能体根据用户画像、交互历史和当前状态生成展示列表，用户智能体模拟用户对推荐内容的选择与评分，并根据交互结果更新自身状态。
图1 多智能体推荐模拟框架
推荐智能体负责决定每轮向用户展示哪些内容。它首先依据用户历史偏好构建相关性候选，同时从低曝光、长尾和跨文化内容中补充候选，以扩大可供选择的内容范围，随后为候选内容分别计算相关性分数和曝光感知的多样性分数。大语言模型驱动的动态仲裁模块根据当前的曝光集中度、近期历史相似度、用户厌倦度和排序稳定性等信号，动态调整相关性与多样性的权重，并结合历史惩罚、类型上限、新颖性配额和相关性保护等约束，生成最终展示列表。
用户智能体负责模拟用户对推荐列表的响应。它以用户的长期偏好、厌恶信息、交互历史、评分特征和OCEAN大五人格特征[4]为基础，同时维护满意度、厌倦度、探索需求和来源信任等动态状态。面对每轮推荐列表时，用户智能体综合用户画像、近期历史、内容新颖性、厌恶信号和推荐来源等信息，判断候选项目的兴趣程度，模拟用户选择和评分，并据此更新下一轮的用户状态。
3. 实验结果
论文在MovieLens 1M数据集[5]上开展实验，数据集包含6040名用户、3952部电影和约100万条评分记录。主要实验选取1000名用户，在3个随机种子下进行20轮交互，评估准确率、曝光多样性、集中度、历史新颖性和用户厌倦度。
论文观察了20轮交互中信息茧房风险的变化。对于只按相关性进行推荐的策略，从第1轮到第20轮，类型曝光集中度HHI上升0.137，用户厌倦度上升，类型熵和历史新颖性总体下降，说明长期只追求相关性可能使用户接触的内容逐渐收窄。相比之下，动态推荐智能体的HHI变化为-0.007，基本保持稳定，同时减缓了用户厌倦度的累积，并改善了曝光多样性和历史新颖性。
为验证这种改善是否以牺牲推荐准确率为代价，论文在LightGCN设置下[6]对两种策略进行了具体比较。动态推荐智能体的NDCG@10为0.568，与相关性推荐的0.570基本持平，其他指标动态方法也整体优于相关性推荐。这表明，动态方法在基本保持排序准确率的同时，改善了推荐内容的多样性并降低曝光集中程度。
4. 用户智能体验证
论文从下一项目预测、消费分布对齐和受控推荐响应三个方面验证用户智能体能否为多轮推荐分析提供有效反馈。
用户智能体下一项目预测的HR@10为0.716、NDCG@10为0.533，优于流行度基线的0.510和0.376，模拟消费分布与真实数据更加接近。受控实验显示，高相关且多样的列表评分更好、厌倦度更低，内容集中或含厌恶内容的列表则带来更高厌倦度和更大评分下降。
5. 总结与展望
本文提出面向信息茧房分析与缓解的闭环多智能体推荐模拟框架，将推荐决策、曝光、消费、用户状态和排序评测纳入同一过程，支持观察信息茧房形成并比较缓解策略。
实验表明，即时相关性优化会在长期交互中导致曝光集中、历史重复和用户厌倦，动态仲裁在基本保持排序准确率的同时改善曝光多样性和历史新颖性，为推荐系统长期影响评估提供实验工具。未来，研究团队将把框架扩展到新闻、短视频和社交媒体等场景，并结合真实用户研究验证其有效性。
参考文献
[1]Wang, X., Huang, X., Sang, J.: Understanding the information cocoon: A multidimensional assessment and analysis of news recommendation systems. arXiv preprint arXiv:2509.11139 (2025).
[2]Yang, J., Sun, G., Zhang, M., Wang, L., Li, Y., Cui, H., et al.: Do generative recommenders deepen the information cocoon? A closed-loop simulation with LLM-powered user simulators. arXiv preprint arXiv:2606.17707 (2026).
[3]Järvelin, K., Kekäläinen, J.: Cumulated gain-based evaluation of IR techniques. ACM Transactions on Information Systems. 20(4): 422–446 (2002)
[4]John, O.P., Srivastava, S.: The Big Five Trait Taxonomy: History, Measurement, and Theoretical Perspectives, pp. 102–138. Guilford Press (1999).
[5]Harper, F., Konstan, J.: The MovieLens datasets: History and context. ACM Transactions on Interactive Intelligent Systems. 5(4): 1-19 (2015).
[6]He, X., Deng, K., Wang, X., Li, Y., Zhang, Y., Wang, M.: LightGCN: Simplifying and powering graph convolution network for recommendation. In: Proceedings of the 43rd International ACM SIGIR Conference on Research and Development in Information Retrieval. pp. 639–648 (2020).