GGBond Graph

GGBond Graph是一个多层次的异构社交图，旨在模拟用户在推荐干预下的行为演化。该数据集由北京师范大学-香港浸会大学联合国际学院科学与技术学院以及北京师范大学自然科学高等研究院数学研究中心创建。数据集大小和Tokens数在论文中未提及。数据集来源于匿名化的斯坦福Facebook社交图，并通过结构驱动推理模型添加了个性向量。数据集创建过程中，使用了预先训练的RoBERTa模型从外部行为数据集中提取个性特征，并使用MLP模型将结构特征映射到个性向量。该数据集主要用于研究个性化推荐、社交信任建模和新兴群体行为动态。

原始信息汇总

数据集概述

基本信息

• 标题: GGBond: Growing Graph-Based AI-Agent Society for Socially-Aware Recommender Simulation
• arXiv标识符: arXiv:2505.21154v1
• 提交日期: 2025年5月27日
• 作者: Hailin Zhong, Hanlin Wang, Yujun Ye, Meiyi Zhang, Shengxin Zhu
• 学科分类:
  • Multiagent Systems (cs.MA)
  • Artificial Intelligence (cs.AI)
  • Computers and Society (cs.CY)
• DOI: 10.48550/arXiv.2505.21154

摘要

当前个性化推荐系统主要依赖静态离线数据进行算法设计和评估，显著限制了其在真实场景中捕捉用户长期偏好演变和社会影响动态的能力。为解决这一根本性挑战，本研究提出一个高保真社会模拟平台，整合类人认知代理和动态社交互动，以真实模拟推荐干预下的用户行为演变。

系统包含一组Sim-User代理，每个代理配备五层认知架构，封装关键心理机制，包括情景记忆、情感状态转换、自适应偏好学习和动态信任风险评估。创新性地引入基于心理学和社会学理论的Intimacy--Curiosity--Reciprocity--Risk (ICR2)动机引擎，实现更真实的用户决策过程。此外，构建支持动态关系演化的多层异质社会图（GGBond Graph），有效建模用户基于兴趣相似性、个性对齐和结构同质性的社交关系和信任动态。

在系统运行过程中，代理自主响应典型推荐算法生成的推荐，决定是否消费、评分和分享内容，同时动态更新其内部状态和社交连接，形成稳定的多轮反馈循环。这一创新设计超越了传统静态数据集的限制，为评估长期推荐效果提供了可控、可观察的环境。

相关链接

• PDF文档: View PDF
• HTML文档: View HTML
• TeX源码: View TeX Source

搜集汇总

数据集介绍

构建方式

GGBond Graph数据集构建于一个高保真的社交模拟平台，该平台整合了类人认知代理和动态社交互动，以真实模拟推荐干预下的用户行为演化。具体而言，系统由一组Sim-User代理组成，每个代理配备了五层认知架构，包括情景记忆、情感状态转换、自适应偏好学习和动态信任风险评估。此外，创新性地引入了基于心理学和社会学理论的ICR²动机引擎，以支持更真实的用户决策过程。数据集通过多层异构社交图（GGBond Graph）建模动态关系演化，基于兴趣相似性、个性对齐和结构同质性来模拟用户社交纽带和信任动态的演变。

特点

GGBond Graph数据集的特点在于其动态性和高保真度。它不仅捕捉了用户行为的长期演化，还通过多层社交图结构模拟了复杂的社交互动和信任动态。数据集中的代理具备类人的认知能力，能够自主响应推荐算法（如矩阵分解、MultVAE、LightGCN）生成的推荐内容，并动态更新其内部状态和社交连接。此外，数据集支持多轮反馈循环，为评估推荐算法的长期效果提供了可控且可观测的环境。

使用方法

GGBond Graph数据集的使用方法包括嵌入推荐算法到动态模拟环境中，以评估算法在复杂社交互动和长期用户行为演化中的表现。研究人员可以将推荐算法应用于数据集中的代理和社交图，观察代理如何自主决定是否消费、评分和分享内容，并记录行为信号和结构动态。数据集支持多方面的评估指标，如偏好漂移、多样性和社交影响力。此外，数据集还可用于验证模拟行为真实性的实证研究，为推荐系统的设计和优化提供数据支持。

背景与挑战

背景概述

GGBond Graph数据集由北京师范大学-香港浸会大学联合国际学院（UIC）的Hailin Zhong、Hanlin Wang、Yujun Ye、Meiyi Zhang以及北京师范大学珠海分校的Shengxin Zhu等研究人员于2025年提出，旨在解决传统推荐系统依赖静态离线数据、难以捕捉用户长期偏好演变和社会影响动态的核心问题。该数据集通过构建高保真社会模拟平台，整合了类人认知代理和动态社交互动，以模拟真实场景下推荐干预对用户行为的影响。其创新性地引入基于心理学和社会学理论的ICR²动机引擎，并构建支持动态关系演化的多层异质社交图（GGBond Graph），为推荐系统研究提供了可控、可观察的长期评估环境，显著推动了社交感知推荐模拟领域的发展。

当前挑战

GGBond Graph数据集面临的挑战主要体现在两个方面：领域问题挑战方面，需解决动态社交网络中用户偏好漂移、信任演化建模的复杂性，以及多维度社会影响力（如兴趣相似性、人格对齐和结构同质性）的量化难题；构建过程挑战方面，涉及匿名社交图与外部行为数据的跨域人格对齐（需通过拓扑结构推断Big-Five人格特质）、多层社交图的动态融合（需平衡兴趣层、人格层和结构层的权重），以及认知代理决策循环的心理学合理性验证（如情感状态对决策阈值的动态调节）。

常用场景

经典使用场景

GGBond Graph数据集在推荐系统研究中扮演了关键角色，特别是在模拟动态社交网络和用户行为演化方面。该数据集通过构建多层异构社交图，支持动态关系演化，能够有效模拟用户兴趣相似性、个性对齐和结构同质性。在推荐系统算法评估中，GGBond Graph被广泛用于测试算法在长期用户偏好漂移和社交影响动态下的表现，为研究者提供了一个可控且可观察的实验环境。

解决学术问题

GGBond Graph数据集解决了推荐系统研究中长期存在的静态数据局限性问题。传统推荐系统依赖静态历史日志，无法捕捉用户偏好的长期演化和社交影响的动态变化。该数据集通过整合类人认知代理和动态社交互动，实现了对推荐干预下用户行为演化的高保真模拟。其创新性的ICR²动机引擎和多层社交图架构，为研究长期推荐效果、社交信任建模和群体行为动态提供了全新的研究工具。

衍生相关工作

GGBond Graph数据集催生了一系列相关研究工作，特别是在社交推荐系统和多智能体仿真领域。基于该数据集，研究者开发了多种改进的推荐算法，如考虑动态社交关系的图神经网络模型和融合心理特征的混合推荐系统。同时，该数据集也为社交网络分析、用户行为预测和群体智能研究提供了新的数据基础，推动了相关领域的交叉融合发展。