CoSimRec: Measuring Coordinated-Content Penetration in Recommender Feedback Loops
CoSimRec：测量推荐反馈环中协同内容渗透的闭环保真评估框架
🧭 推荐系统鲁棒性 · 反馈循环评估
提出基于智能体的闭环模拟框架与渗透率指标族APR，量化协调攻击通过反馈循环放大对非机器人用户的影响
📌 工作参考价值（4 点）
- 电商/广告推荐中常见水军、刷单、炒信等协调攻击，本文的渗透率指标（APR-Lift）可直接迁移为业务安全评估指标，衡量不当内容通过反馈循环污染正常用户流量的程度。
- 框架采用智能体模拟非机器人用户的响应，可替换为业务内真实的用户行为模型，离线复现“攻击→推荐→用户反馈→再推荐”的闭环，提前评估召回/排序策略的脆弱性。
- 实验表明基于流行度或反馈敏感的排序算法更容易放大渗透，而同步感知的防御策略（如降低近期互动权重）能一致降低APR，可直接作为排序层加固策略的参考。
- 闭环评估设计强调了曝光分配与行为反馈的耦合，建议在线上AB测试前先用此类工具评估新策略面对恶意协同时的风险，避免仅用静态攻击测试产生盲目乐观。