个人特征如何塑造基于大语言模型的多智能体系统中用户对多样化电影推荐的探索

多样性是 recommender systems 超越准确性的重要评估标准，但用户在是否愿意接纳新颖且多样化内容方面存在差异。本文我们调查大语言模型（LLM）基于的多智能体系统如何支持用户探索多样化推荐，以及个人特征如何塑造用户体验。我们进行了为期 N = 100 的平行主题用户研究，比较单智能体系统（基准）与用于电影推荐的多智能体系统。我们测量 perceived accuracy（感知准确性）、diversity（多样性）、novelty（新颖性）和 overall rating（整体评分），并检查个人特征的影响，包括性格特质、人口统计学特征、GenAI 推荐经验以及对 GenAI 的怀疑态度。结果表明，多智能体系统显著提高了 perceived novelty（感知新颖性）和 Shannon diversity（香农多样性）。conscientiousness（尽责性）与感知准确性和多样性正相关，而 extraversion（外向性）与感知多样性负相关。先前使用基于 GenAI 的推荐经验与香农多样性正相关，而对 GenAI 的怀疑态度与香农多样性负相关。我们还观察到系统设计与用户特征之间存在显著的交互作用。这发现强调 personality-aware（基于人格的）对话式推荐系统的重要性，并警示不要采用一种适用于所有人的多智能体设计。