Do Generative Recommenders Deepen the Information Cocoon? A Closed-Loop Simulation with LLM-powered User Simulators
生成式推荐会加深信息茧房吗？一项基于LLM用户模拟的闭环仿真研究
🧭 生成式推荐信息茧房闭环模拟 ★ 深度解读
Shandong University · Renmin University of China · Shandong Provincial Key Laboratory of Computing-Network Integration · Qingdao Key Laboratory of Trustworthy Artificial Intelligence
生成式推荐减缓类别级曝光塌缩但仍在代码空间形成结构性茧房，语义ID与更大模型有助于抵抗蚕食
📌 工作参考价值（4 点）
- 用LLM用户模拟器做闭环评估：在生成式推荐上线前，可参考RecLoop框架搭建“推荐-交互-重训”循环，用LLM agent模拟用户偏好演化，评估长期信息茧房风险，尤其适合需要对算法负向效应进行离线预测的电商/广告场景。
- 监控代码空间的结构化茧房：除了曝光指标，还应监控生成式模型离散码空间的层级熵与Top-κ集中度，重点观察粗粒度层的塌缩，一旦发现早期路由码高度集中，即使终端物品多样化，信息茧房已开始形成。
- tokenization策略的取舍：实验表明Semantic ID比Collaborative ID产生的茧房更轻，因此在电商生成式推荐中优先采用语义量化而不是协同聚类，可以减少流行度偏差向代码空间的迁移。
- 模型容量作为缓冲：更大规模的生成模型（如OneRec 3B vs 0.5B）能保持更宽广的活跃码空间，对抗茧房塌缩，所以在算力允许时选择较大LLM backbone有助于长期信息多样化。