通过推荐具有非典型特征的物品来构建意外惊喜

当客人遇到既出乎意料又符合其兴趣的特征时，餐厅晚餐或酒店住宿可能会带来难忘的体验。例如，餐厅等候区的折纸制作站对于一位热衷于纸工艺的顾客来说，可能既令人惊喜又令人愉快。同样，18世纪大键琴展览对于酒店大堂来说是非典型的，很可能会激起一位热爱巴洛克音乐的客人的兴趣。受此启发，本文引入了通过推荐具有非典型特征的物品来构建意外惊喜的新任务。我们描述了一个基于LLM的系统流程，该流程从物品评论中提取非典型特征，然后估计并聚合其特定于用户的效用，形成用于对推荐给用户的物品列表进行重新排序的意外惊喜潜力度量。为了促进系统的开发与评估，我们引入了一个手动标注了非典型特征的Yelp评论数据集，以及一个人工生成的用户画像数据集，连同众包的用户-特征效用值标注。此外，我们引入了一种用于动态选择上下文学习示例的定制流程，这被证明能改善LLM对非典型性和效用的判断。实验评估表明，系统生成的基于意外惊喜的排序与真实排序高度相关，后者的意外惊喜得分是根据非典型特征及其用户依赖效用的手动标注计算得出的。总体而言，我们希望本文提出的新推荐任务及相关系统能够催化对推荐方法的进一步研究，使其在追求更高用户满意度的过程中超越准确性。数据集和代码已公开发布于 https://github.com/ramituncc49er/ATARS 。