Navigating User Experience of ChatGPT-based Conversational Recommender Systems: The Effects of Prompt Guidance and Recommendation Domain

对话式推荐系统（CRS）使用户能够用自然语言表达他们的偏好并提供反馈。随着大语言模型（LLM）的出现，利用LLM生成内容增强用户与CRS的互动以及增强推荐过程的潜力受到越来越多的关注。然而，LLM驱动的CRS的有效性取决于提示的使用，而在不同的推荐领域中，推荐质量的主观感受可能不同。因此，我们开发了基于ChatGPT的CRS，以研究这两个因素，提示指导（PG）和推荐领域（RD），对系统整体用户体验的影响。我们采用混合方法（N = 100）进行了在线实证研究，采用了PG变量的组间设计（有与无）和RD变量的组内设计（书籍推荐与工作推荐）。研究结果表明，PG可以显著提高系统的可解释性、适应性、感知易用性和透明度。此外，用户倾向于在书籍推荐的情境下感知到更大的新奇感，并表现出更高的倾向去尝试推荐的物品，而不是在工作推荐的情境下。此外，PG对某些用户体验指标和交互行为的影响似乎受到推荐领域的调节，这可以从两个因素之间的交互作用中得到证明。这项工作通过研究两个突出因素，为基于ChatGPT的CRS的用户中心评估做出了贡献，并提供了实用的设计指导。

本论文旨在研究ChatGPT-based CRS中，prompt guidance和recommendation domain对用户体验的影响。研究探讨了prompt guidance对系统的可解释性、适应性、易用性和透明度的影响，以及recommendation domain对用户感知的新颖性和推荐物品的试用倾向的影响。

本论文使用ChatGPT-based CRS探讨了prompt guidance和recommendation domain对用户体验的影响。结果表明，prompt guidance可以显著提高系统的可解释性、适应性、易用性和透明度，而recommendation domain对用户体验的影响因具体情境而异。

本研究使用了一个混合方法的实验设计，100名受试者参与了实验。研究结果表明，在书籍推荐领域，用户感知的新颖性更高，更愿意尝试推荐物品。此外，本研究还探讨了prompt guidance和recommendation domain之间的交互作用，为ChatGPT-based CRS的设计提供了实用的指导。

近期的相关研究包括使用大型语言模型的推荐系统，以及探索用户对推荐解释和可解释性的需求。相关论文包括《BERT4Rec: Sequential Recommendation with Bidirectional Encoder Representations from Transformer》和《Explainable Recommender Systems: A Survey》。