复旦计算与智能创新学院卢暾、张鹏、顾宁团队，在AI4SS（AI for Social Science）领域研究取得新进展，以推荐系统作为智能传播核心引擎的视角，基于大模型智能体技术和使用满足理论，构建了面向在线社区的高保真、可扩展的智能传播生态系统模拟的通用框架RECOSIM，为推动智能传播研究从效果观测走向机制解释，从短期优化转向长期治理提供了新的方法和工具。
在线社区推荐系统已成为当代数字社会中信息分发、内容传播、价值流动、观点形成与群体互动的核心引擎，深刻影响着个体行为模式、公共舆论结构以及社区长期演化轨迹。如何在可控、可重复的条件下系统研究以智能推荐算法对在线社区的短期与长期影响，已成为智能传播生态系统领域研究的核心科学问题之一。
然而，在真实在线社区中直接开展大规模推荐策略实验，不仅成本高昂，还受到伦理审查、风险控制与平台稳定性等多重约束，严重制约了对推荐机制、用户行为演化与社会效应的系统性研究。现有模拟方法在通用性、建模精度与计算可扩展性之间难以兼顾，尚不足以支撑面向真实在线社区的长期、规模化社会模拟研究。
近日，复旦计算与智能创新学院卢暾、张鹏、顾宁团队在信息系统领域国际顶级期刊ACM Transactions on Information Systems（ACM TOIS，CCF A类国际学术期刊）发表研究论文《RECOSIM: A Universal, Accurate, and Scalable Simulation Framework for Online Community Recommendations》。该工作基于大模型多智能体协同与使用满足理论（UGT）提出了一种面向在线社区推荐系统的通用模拟基础框架RECOSIM，为在虚拟环境中系统研究“推荐算法-用户行为-社区结构”的协同演化提供了可扩展的实验平台，标志着在线社区智能传播生态系统方向上的重要原创性进展。
RECOSIM 模拟框架
RECOSIM 从“在线社区本质上是一个由推荐机制驱动的复杂社会系统”这一视角出发，在设计上系统平衡了通用性、精确度与可扩展性，构建了一套可作为推荐系统社会模拟基础设施的统一框架。它具有以下核心特点：
· 通用性：框架面向多类型在线社区场景，可支持微博、知乎等典型社区形态下的用户-内容交互建模，适配多种推荐任务与系统设置；
· 准确性：通过将用户代理行为拆解为编码模型、解码模型、活动模型、评分模型与生成模型等多个功能模块，RECOSIM 能够细粒度刻画用户兴趣演化、决策过程与反馈行为，实现对复杂交互动态的精确模拟；
· 可扩展性：框架架构兼容主流推荐算法与工业级推荐系统设计，可在百万级用户与大规模内容规模下高效运行，支持长期、多轮次的模拟实验。
基于真实世界在线社区数据（社交媒体新浪微博与问答社区知乎）对RECOSIM 的模拟精确度与系统稳定性进行了系统性验证，实验结果表明该框架能够较为真实地复现推荐系统与用户交互的演化过程，为策略比较与机制分析提供了可靠支撑。
作为一项面向在线社会的智能传播生态系统的基础性研究成果，RECOSIM 为在“可控虚拟社会”中系统研究推荐算法的社会影响提供了新的技术路径，具有重要的方法论意义。未来，该框架有望在以下方向发挥关键作用：
· 推荐策略开发与评估：为推荐算法设计提供低成本、高可重复性的实验环境，显著降低对真实 A/B 测试的依赖；
· 长期社会效应研究：支持对信息茧房、算法反馈回路、群体极化等长期社会现象的系统性模拟与分析；
· 跨平台与跨机制比较研究：在统一框架下对不同社区平台与推荐机制进行横向对比，推动推荐系统研究从“单点性能”走向“系统与社会层面分析”。
文章链接：https://dl.acm.org/doi/10.1145/3768342
RECOSIM是团队近年来在大模型智能体驱动的在线社会模拟方向上的又一前沿探索，也是国家重点研发计划“网络视听平台算法监管关键技术研究与应用示范”专项项目课题“推荐算法语义增强的模拟技术与导向性漏洞挖掘技术研究”的重要成果。团队长期围绕在线社区推荐系统的复杂社会-技术属性，从多角色、跨尺度、全周期的维度，持续引领和推动推荐生态的整体性与演化性研究范式，首次提出推荐生态系统演化模拟与分析框架 SimuLine，率先从系统层面刻画推荐机制、用户行为与内容生态的协同演化过程；提出首个基于大模型智能体的真实世界推荐系统模拟评估方法 EvalAgent，为在可控虚拟环境中评估真实推荐系统行为提供了新路径；研发首个以人为中心的个性化大模型推荐助手 RAH，探索了大模型在增强用户决策能力与推荐可控性方面的应用潜力。
