研究用 LLM 将推荐系统反事实解释总结为自然语言

Vojtech Cahlik 等在 CIKM 2026 发表论文《From Counterfactual Edits to Human Narratives》，提出用大语言模型作为中介，把推荐系统反事实解释生成的冗长交互历史编辑列表，总结为描述更高层偏好模式的自然语言解释，并通过 Direct Preference Optimization 在正确性、信息量和语言质量上优化这些中介模型。 研究者在 MovieLens-1M 数据集上，用基于人工标注数据集的指标进行评估。结果显示，跨多种反事实生成器和语言模型，生成的总结整体语言质量较高；语义效果以 ACCENT、SPINRec 等高成功率反事实方法最强；Direct Preference Optimization 在几乎所有评估设置中都提升了语义指标。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。