文章总结与翻译一、文章主要内容本文聚焦推荐系统中的“意外发现性（Serendipity）”评估难题，提出了一种基于大型语言模型（LLMs）的通用离线评估框架，核心内容如下：背景与问题：传统推荐系统易陷入“过滤气泡”，意外发现性（兼具相关性与意外性）可提升用户满意度，但该指标评估面临“无观测真值”“现有离线指标定义模糊或局限于特定数据集/系统”等挑战。框架设计：核心思路：以“LLM作为评估者（LLM-as-a-Judge）”，仅需用户与推荐物品的文本信息，无需依赖模糊定义或特定数据集/系统。两步流程：第一步，通过LLM系统为推荐物品分配1-5级意外发现性评分（1为“完全无意外发现性”，5为“高度意外发现性”，4分及以上视为具有意外发现性）；第二步，基于评分量化推荐系统性能（如使用平均评分、精准度Precisionₛₑᵣ、归一化折损累积增益NDCGₛₑᵣ等指标）。实验验证：提示策略筛选实验：在含真值的Serendipity-2018数据集上测试4种提示模板（Base、LS、CoT、LtM），发现“思维链（CoT）”提示的预测准确率最高（GPT-4o-mini模型MAE低于1.0，三分类准确率46.98%）。推荐系统性能评估实验：在ML-1M（电影）、Goodreads（书籍）、Beauty（电商）3个无意外发现性真值的数据集上，评估2个准确率导向（BPR
