解释驱动探索：将对话式推荐系统与用户探索性信息需求对齐

LLM驱动的对话式推荐系统（CRS）使用户能够个性化推荐服务，控制推荐的呈现方式和解释方式。在用户探索不熟悉的项目时，显示为何推荐特定选项的解释尤为重要。尽管先前个性化解释工作主要集中在解释风格上，但关于解释应包含何种类型的信息以有效支持用户探索，目前仍缺乏深入理解。为了使CRS的解释与用户的信息需求更好地对齐，本文提出了推荐解释的信息组成方案。基于探索性访谈的用户研究，我们提出了四个关键信息维度：本质、体验、交换和交织。我们随后进行了比较评估，表明按这些维度构建的解释比基线LLM生成的解释更能支持参与度相关的结果。最后，我们概述了LLM驱动的CRS的设计启示。