大语言模型与模板化电影推荐解释的用户偏好：一项试点研究

推荐系统已成为我们数字体验中不可或缺的组成部分，从线上购物到流媒体平台。然而，他们建议背后的依据常常对用户而言是不可见的。虽然某些系统采用基于图的方法，通过关联推荐物品与种子物品的路径来提供内在可解释性，但非专业用户难以轻松理解这些解释。一种流行的替代方法是将基于图的解释转换为文本形式，采用模板和算法，我们在此称为“模板化”解释。然而，这些解释有时显得不够个人化或不够有吸引力。一种新方法是采用大语言模型 (LLM) 进行此目的，我们在此称为“LLM 化”。为评估 LLM 在生成更具共鸣解释方面的效果，我们进行了一项 25 名参与者的试点研究。他们被呈现给三种解释：(1) 传统模板化解释、(2) LLM 化的模板输出重新表述，以及 (3) 纯粹基于 LLM 的解释，源自基于图的解释。尽管受到高方差的影响，初步发现表明 LLM 化的解释可能提供更丰富、更具吸引力的用户体验，进一步符合用户期望。这项研究揭示了当前解释方法的潜在局限性，并为利用大语言模型提高用户满意度和信任度提供了有前景的方向。