Micah Carroll Adeline Foote Kevin Feng Marcus Williams Anca Dragan W. Bradley Knox Smitha Milli

Abstract

Wenn Nutzer mit Empfehlungen eines Empfehlungssystems unzufrieden sind, verfügen sie oft über keine feinkörnigen Steuerungsmöglichkeiten, um diese zu verändern. Große Sprachmodelle (Large Language Models, LLMs) bieten hier eine Lösung, indem sie es Nutzern ermöglichen, ihre Empfehlungen über natürliche Sprachanfragen zu steuern (z. B. „Ich möchte respektvolle Beiträge mit einer anderen Perspektive als meiner sehen“). Wir stellen eine Methode namens CTRL-Rec vor, die eine Steuerung herkömmlicher Empfehlungssysteme in Echtzeit über natürliche Sprache ermöglicht und gleichzeitig rechenzeit-effizient ist. Konkret nutzen wir im Trainingsprozess ein LLM, um zu simulieren, ob Nutzer bestimmte Inhalte aufgrund ihrer Sprachanfragen akzeptieren würden, und trainieren daraufhin Embedding-Modelle, die diese simulierten Urteile annähernd nachbilden. Diese nutzeranfragenbasierten Vorhersagen integrieren wir anschließend in das übliche Gewichtungsschema von Signalen, das herkömmliche Empfehlungssysteme optimieren. Im Einsatz benötigen wir pro Nutzeranfrage lediglich eine einzige Berechnung eines LLM-Embeddings, was eine Echtzeitsteuerung der Empfehlungen ermöglicht. In Experimenten mit dem MovieLens-Datensatz zeigt sich, dass unsere Methode konsistent eine feinkörnige Steuerung über eine Vielzahl unterschiedlicher Anfragen hinweg ermöglicht. In einer Studie mit 19 Letterboxd-Nutzern wird festgestellt, dass CTRL-Rec von den Nutzern positiv aufgenommen wurde und deren Gefühl der Kontrolle über die Empfehlungen sowie ihre Zufriedenheit signifikant gegenüber herkömmlichen Steuerungsmethoden erhöhte.