论文
规模化可解释推荐：面向YouTube音乐艺人发现的LLM推荐理由
Explainable Recommendations at Scale: LLM Rationales for YouTube Music Artist Discovery
摘要
现代音乐流媒体平台面临持续的权衡：利用用户熟悉的内容，还是推动对新内容的探索。用户虽然常想探索新内容，却不愿在已被验证的心头好之外选择陌生艺人。提供透明的自然语言理由、解释为何推荐某个未探索的内容，可以降低这一门槛。然而，尽管大语言模型（LLM）擅长这种细致的可解释性，其线上实时部署受制于高昂的推理成本和计算开销。本文给出一个解耦推荐架构的业界案例研究，它在不牺牲延迟的前提下成功扩展了探索。该系统将 LLM 推理异步隔离在离线进行，预计算个性化的未发现艺人候选池及配套理由。大规模线上 A/B 实验验证了我们的设计：将 LLM 推荐与解释性理由结合显著降低了新内容的信任门槛，在发现场景上带来用户探索和整体参与度的统计显著提升。
