LLM如何理解群体偏好？新研究让大模型动态选择推荐策略

群体推荐系统一直面临一个核心挑战：如何平衡不同成员之间的偏好差异。传统方法往往采用固定的聚合策略，但最新研究表明，考虑群体内部偏好分布对策略选择至关重要。

来自arXiv的研究团队提出了一种创新方法，利用大语言模型模拟人类的主观判断。研究团队在人类调查数据上微调了LLaMA和OLMo等大语言模型，创建了“Judgmental Llama”和“Judgmental OLMo”模型，用于模拟群体评估过程。

该系统首先生成基于不同社会选择理论的多个推荐候选方案，然后动态选择最能最大化预测的人类评估指标（包括公平性、满意度和共识）的方案。研究团队使用从DeepSeek-V3.1提炼的推理数据集和人类真实评估作为训练基础。

在涉及284名参与者的用户研究中，该方法在满意度和群体共识方面获得了最高评分。特别值得注意的是，当考虑基于LLM的方法与群体配置（如少数派或联盟）之间的交互效应时，LLM的判断与人类对公平性、满意度和共识的感知最为一致。

这项研究不仅为根据特定群体内偏好分布动态调整聚合策略提供了进一步支持，还突显了使用LLM进行与人类主观判断一致的适应性调整的优势。该成果有望为社交平台、会议组织、娱乐推荐等需要群体决策的场景提供更智能的解决方案。