LLM生成音乐偏好档案中的偏见

大型语言模型（LLM）用于推荐的一种尤其有前景的用例是从消费数据自动生成自然语言（NL）用户偏好档案。这些档案提供了可解释且可编辑的替代方案，克服了不透明的协同过滤表示，实现更大的透明度和用户控制。然而，尚不清楚用户是否认为这些档案是其偏好风格的准确代表，这对于信任和可用性至关重要。此外，由于LLM继承了社会和数据驱动的偏见，档案质量可能在用户特征（如主流化程度、偏好多样性）和物品特征（如类型、原产国）之间系统性变化。在本文中，我们在音乐流媒体领域研究此问题，该领域因目录大型且文化多样化而面临个性化挑战。我们进行了一项用户研究，参与者对从其自己的聆听历史生成的NL档案进行评级。我们分析了用户特征（如主流化程度、偏好多样性）和物品特征（如类型、原产国）是否导致档案识别存在偏见。我们还将这些模式与在下游推荐任务中使用这些档案的模式进行比较。我们的发现突显了基于可解释LLM档案在个性化系统中的潜力与局限性。