LLM推荐解释的一致性困境：可靠解释者还是不可靠叙述者？

最新研究系统性评估了大型语言模型（LLM）在群体推荐任务中的解释一致性和敏感性，发现不同模型生成推荐理由时差异显著，部分模型表现出"不可靠叙述者"特征，为LLM在高风险推荐场景（如医疗、金融）的应用敲响警钟。研究聚焦解释的一致性（相同推荐决策下解释是否一致）与敏感性（输入细微变化时解释调整是否合理），通过群体推荐场景的多模型对比实验得出关键结论，强调需重视解释稳定性与可信度。

推荐系统可解释性是学术界和工业界关注焦点。传统方法基于物品特征或用户历史生成解释，LLM引入带来自然流畅、个性化推荐理由的可能，但也伴随风险：若解释在不同情境矛盾或对细微输入过度敏感，则成为"不可靠叙述者"，高风险场景中可能造成严重后果。

研究聚焦两个关键维度：

1. 一致性：相同推荐决策下，LLM生成的解释是否保持一致？如同一推荐今日因性价比、明日因品牌推荐则存在一致性问题。
2. 敏感性：输入细微变化时，解释是否合理适度调整？理想应对关键信息敏感、无关噪音鲁棒，若因prompt无关词汇改动翻转理由则过度敏感。

研究针对群体推荐场景（需平衡多用户偏好，解释更具挑战）设计评估框架，采用多模型对比测试主流LLM，通过控制输入变化程度和性质，精确测量各模型在一致性和敏感性维度的表现。

研究揭示以下模式：

1. 模型间系统性差异：不同LLM解释质量差异显著，部分稳定一致，部分同输入输出高度变化，与模型架构、训练数据、对齐策略相关。
2. 一致性问题表现：部分LLM存在时间不一致（同输入不同时刻解释不同）、情境不一致（同推荐不同上下文理由不同）、逻辑不一致（解释内部矛盾）。
3. 敏感性光谱：模型从"过度迟钝"到"过度敏感"分布，过度敏感模型因prompt微小措辞调整彻底改变解释，导致系统难预测调试。

对部署LLM推荐系统团队的启示：

1. 模型选择：除准确性外，需评估解释一致性和敏感性，通用任务优异模型可能稳定性不足。
2. 后验验证：高风险场景建议增加解释后验验证，如缓存历史解释检测异常、用一致性检查器标记可疑漂移。
3. 提示工程：精心设计系统提示可缓解一致性问题，如要求遵循特定解释框架。

局限性：聚焦群体推荐场景，其他范式（序列、对话式推荐）适用性待验证；主要关注英文场景，多语言表现需探索。 未来方向：开发自动化解释一致性评估工具；探索提升解释稳定性的微调方法；研究用户感知与客观一致性指标关系。