一致的解释器还是不可靠的叙述者？理解LLM生成的群体推荐
计算与语言
2025-07-21 v1 信息检索
摘要
大型语言模型(LLMs)日益被用作联合决策者和解释生成器，用于群体推荐系统(GRS)。本文通过将其与社会选择基于的聚合策略进行比较来评估这些推荐和解释。我们的结果表明，LLM生成的推荐常常类似于加法效用主义(ADD)聚合所产生的推荐。然而，解释通常指称对平均评分进行求和（类似但不等于ADD聚合）。群体结构、均匀或发散，均不影响推荐。此外，LLMs经常声称采用额外准则，如用户或项目相似性、多样性，或使用未定义的流行度指标或阈值。我们的发现对LLMs在GRS管道中的使用以及标准聚合策略都有重要影响。解释中的额外准则取决于群体情境中评分的数量，表明在更大项目集大小下，标准聚合方法可能效率低下。此外，一致且模糊的解释削弱了透明度和可解释性，这些是LLMs用于GRS的关键动机。
引用
@article{arxiv.2507.13705,
title = {Consistent Explainers or Unreliable Narrators? Understanding LLM-generated Group Recommendations},
author = {Cedric Waterschoot and Nava Tintarev and Francesco Barile},
journal= {arXiv preprint arXiv:2507.13705},
year = {2025}
}
备注
Short paper accepted at the Nineteenth ACM Conference on Recommender Systems (RecSys '25). Cedric Waterschoot, Nava Tintarev, and Francesco Barile. 2025. Consistent Explainers or Unreliable Narrators? Understanding LLM-generated Group Recommendations. Proceedings of the Nineteenth ACM Conference on Recommender Systems (RecSys '25), Prague, Czech Republic. doi: 10.1145/3705328.3748015