Music Recommendation with Large Language Models: Challenges, Opportunities, and Evaluation

文章核心总结与创新点

主要内容

该文章聚焦大型语言模型（LLMs）在音乐推荐系统（MRS）中的应用，核心围绕“LLMs颠覆传统MRS评估框架”展开。首先分析LLMs对MRS三大核心模块（用户建模、物品建模、自然语言推荐）的重塑作用，接着借鉴自然语言处理（NLP）领域的评估方法，提出适配LLM驱动型MRS的多维度评估体系，最后明确该类系统的成功指标与潜在风险，为跨学科评估提供理论基础。

创新点

1. 突破传统检索式评估范式，提出“生成式MRS需重构评估逻辑”的核心观点，指出标准准确率指标对LLMs的局限性。
2. 构建跨学科评估框架，整合NLP的文本生成评估方法与MRS的领域特性，划分“NLP驱动评估”与“MRS驱动评估”两大维度。
3. 定义6项成功指标（查询契合度、发现质量、个性化增益等）与8类风险维度（幻觉、偏见、隐私泄露等），覆盖LLM在MRS应用的全场景考量。
4. 细化不同LLM应用模式（零样本推荐、少样本上下文学习、检索增强生成等）的专项评估方法，提升评估实操性。

译文（Markdown格式）

Abstract

音乐推荐系统（MRS）长期依赖信息检索框架，其进展主要通过检索导向子任务的准确率来衡量。尽管这种模式具有一定效果，但这种简化范式难以解答“什么构成优质推荐”这一深层问题，而通过用户研究或公平性分析来拓展评估的尝试影响有限。大型语言模型（LLMs）的出现打破了这一