Large Language Models as Conversational Movie Recommenders: A User Study

本文是LLM系列文章，针对《Large Language Models as Conversational Movie Recommenders:
A User Study》的翻译。

摘要

本文探讨了使用大型语言模型（LLM）从用户那里进行个性化电影推荐的有效性在线实地实验中的观点。我们的研究结合了受试者之间的即时消费评估和历史消费评估，以及受试者内部推荐情景评估。通过检查160名活跃用户的对话和调查响应数据，我们发现LLM提供了很强的推荐解释性，但缺乏整体个性化、多样性和用户信任。我们的研究结果还表明，不同的个性化提示技术不会显著影响用户感知的推荐质量，但用户观看的电影数量起着更重要的作用。此外，LLM在推荐鲜为人知或小众电影方面表现出更强的能力。通过定性分析，我们确定了与正面和负面用户互动体验相关的关键对话模式，并得出结论，提供个人背景和例子对于从LLM获得高质量的推荐至关重要。

1 引言

2 相关工作

3 研究设计

4 结果

5 讨论

6 结论

在这项研究中，我们对基于LLM的电影推荐器进行了一项现场实验，使用零样本、单样本和少样本个性化提示来评估三种推荐场景中的用户交互。通过分析真实的用户对话和半结构化的调查结果，我们观察到以下几点：1）用户看重LLM优越的可解释性和交互性，但发现他们生成的推荐不如经典推荐系统生成的