一致的解释者还是不可靠的叙述者？理解 LLM 生成的群组推荐-计算机科学-大语言模型-群组推荐系统.pdfVIP

一致的解释者还是不可靠的叙述者？理解

LLM生成的群组推荐

CedricWaterschootNavaTintarev

MaastrichtUniversityMaastrichtUniversity

Maastricht,TheNetherlandsMaastricht,TheNetherlands

cedric.waterschoot@maastrichtuniversity.nln.tintarev@maastrichtuniversity.nl

FrancescoBarile

MaastrichtUniversity

本Maastricht,TheNetherlands

译f.barile@maastrichtuniversity.nl

中摘要CCSConcepts

1

v大型语言模型（LLMs）越来越多地被实现为群体推荐•Informationsystems→Recommendersystems;

5系统（GRS）的联合决策者和解释生成器。在本文中，我•Computingmethodologies→Naturallanguage

0

7们通过将这些推荐和解释与基于社会选择的聚合策略generation.

3

1进行比较来评估它们。我们的结果显示，由LLM生成

.

7的推荐通常类似于由加法功利主义（ADD）聚合产生Keywords

0的推荐。然而，解释通常指的是平均评分（类似于但

5大型语言模型，群组推荐系统，基于社会选择的聚合

2不完全相同于ADD聚合）。群体结构，无论是均匀还

:策略，解释

v是发散，都不会影响推荐结果。此外，LLMs经常声

i

x称有额外的标准，如用户或项目相似度、多样性，或ACMReferenceFormat:

r

a者使用未定义的流行指标或阈值。我们的研究结果对CedricWaterschoot,NavaTintarev,andFrancescoBarile.2025.一

GRS流水线中的LLMs以及标准聚合策略具有重要意致的解释者还是不可靠的叙述者？理解LLM生成的群组推荐.

义。解释中包含的额外标准取决于群体场景中的评分InProceedingsoftheNineteenthACMConferenceonRecommender

Systems(RecSys’25),September22–26,2025,Prague,CzechRepublic.

数量，这表明在较大项目集规模下，标准聚合方法可

ACM,NewYork,NY,USA,8pages./10.1145/3705328.

能存在效率问题。此外，不一致和模糊不清的解释会3748015

削弱透明度和可解释性，这是使用LLM为GRS提供