arXiv cs.AI· Vojtech Cahlik, Amir Reza Mohammadi, Rodrigo Alves, Pavel Kordik, Eva Zangerle·· 10 小时前AI 评分26
用 LLM 将反事实编辑转化为人类叙事：面向推荐系统解释的 LLM 驱动解读
From Counterfactual Edits to Human Narratives: LLM-Driven Interpretations for Recommender System Explanations
AI 导读
研究提出用大语言模型作为中介，将推荐系统反事实解释（CFX）中冗长的交互编辑列表总结为简洁的自然语言解释，描述更高层的偏好模式。在 MovieLens-1M 数据集上，经偏好优化后的摘要整体语言质量较高，语义指标在 ACCENT、SPINRec 等高成功率 CFX 方法下最佳，DPO 在几乎所有评测设置中提升了语义指标。
正文 · AI 翻译
摘要：推荐系统日益影响用户在网上的发现与消费内容，但其输出背后的决策逻辑往往仍不透明。反事实解释（CFX）方法能有效展示对用户交互历史做出哪些改动会改变推荐结果。然而在推荐场景中，CFX 往往需要大量编辑，产生冗长、低层次的列表，用户难以理解。此外，大多数评估强调编辑次数，却在很大程度上忽视了所得 CFX 对用户是否连贯且可操作。我们认为，生成有效 CFX 与传达模型行为之间的这一差距，源于缺乏以用户为中心的抽象以及定性评估有限。为弥合这一差距，我们将大语言模型作为中介，把原始 CFX 交互编辑列表总结为简洁的自然语言解释，描述更高层次的偏好模式。我们通过偏好优化使这些中介在正确性、信息量和语言质量方面达到最优，并用源自独立人工标注数据集、经人工校准的指标评估所得解释。在 MovieLens-1M 数据集上，跨多个反事实生成器和语言模型，所得摘要整体语言质量较高，而最强的语义结果来自 ACCENT 和 SPINRec 等高成功率 CFX 方法。直接偏好优化在几乎所有评估设置中都提升了语义指标。
| 评论： | 发表于 CIKM 2026（意大利罗马）。代码：此 https URL |
| 主题： | 人工智能（cs.AI）；信息检索（cs.IR） |
| 引用为： | arXiv:2611.13914 [cs.AI] |
| （或 arXiv:2611.13914v1 [cs.AI] 查看此版本） | |
| https://doi.org/10.48550/arXiv.2611.13914 由 DataCite 颁发的 arXiv DOI（待注册） |
|
| 期刊 参考： | 载于第 35 届 ACM 国际信息与知识管理会议（CIKM '26）论文集，意大利罗马，第 6954-6959 页，2026 年 |
| 相关 DOI： | https://doi.org/10.1145/3799682.3839968
链接到相关资源的 DOI |
提交历史
来自：Vojtech Cahlik [查看电子邮件]
[v1]
2026 年 11 月 10 日星期二 11:05:19 UTC（328 KB）
来源：arXiv cs.AI · arxiv.org