共识与异议：群体推荐器中主观偏好的动态LLM建模

先前关于群体推荐系统的工作表明，系统对群体内偏好分布的敏感性。具体来说，偏好聚合策略的选择受益于考虑此类群体配置。在本文中，我们研究LLM是否能够模仿这种敏感性，并根据人类对公平性、满意度和共识的细微感知来选择理想的聚合策略（以及相应的推荐）。我们通过在人类调查数据上微调大型语言模型（LLM），使其在推荐流程中充当实时判断模型。使用从DeepSeek-V3.1提炼的推理数据集和人类真实评估，我们开发了Judgmental Llama和Judgmental OLMo来模拟群体评估。我们的流程成功基于社会选择聚合策略生成多个推荐候选，并动态选择预测人类评估最高的那个。我们在一项用户研究（n=284）中进一步验证了这些建议，发现我们的方法在满意度和群体共识方面获得了最高分。此外，我们发现，当我们还考虑基于LLM的方法与群体配置（例如少数派或联盟）之间的交互效应时，LLM的判断与人类对公平性、满意度和共识的感知最为一致。这些发现进一步支持了根据特定的群体内偏好分布动态调整聚合策略，并强调了使用LLM进行与主观人类判断一致的适应的优势。