个性化生成式可解释推荐中喜好与厌恶的解耦

近期关于可解释推荐的研究通常将该任务视为一个标准的文本生成问题，并仅基于预测解释与真实解释之间的文本相似性来评估模型。然而，这种方法未能考虑系统的一个关键方面：其输出是否准确反映了用户的（购后）情感，即用户是否会喜欢和/或不喜欢推荐的商品及其原因。为了阐明这一问题，我们引入了新的数据集和评估方法，重点关注用户的情感。具体来说，我们通过使用大语言模型（LLM）从用户的购后评论中显式提取用户的正面和负面意见来构建数据集，并提出基于以下两点评估系统：1) 生成的解释是否与用户情感良好对齐，以及 2) 是否准确识别了用户对目标商品的正面和负面意见。我们在我们的数据集上对几个最新模型进行了基准测试，并证明在现有指标上取得强性能并不能确保生成的解释与用户情感良好对齐。最后，我们发现，当将用户对目标商品的（预测）评分直接作为输入馈入模型时，现有模型能够提供更具情感感知性的解释。数据集和基准实现可在以下网址获取：https://github.com/jchanxtarov/sent_xrec。