随着旅行者越来越多地询问大型语言模型（LLM）助手推荐的酒店，这些系统成为了酒店可见性的把关者，但推动它们推荐的因素尚未明确。我们进行了一项预设的算法审计，采用随机选择的联合分析：在不同的人物角色、提示模板以及十二个开放权重和专有模型中，助手在五个酒店中进行选择，这些酒店的客人评分、评论数量和时效性、管理响应、连锁关系、价格、生态认证和列表位置均被独立随机化。我们估计了每个信号对推荐概率的平均边际成分效应。
结果显示，客人评分和价格是主要因素（顶级评分使选择概率提高31.6个百分点，而高价格则降低30.0个百分点），这与人类的情感与价格优先性相符，但过于重视生态认证而忽略管理响应。列表位置——一个无内容的伪影——因果地影响推荐，其价值约为每晚12美元。所陈述的理由与揭示的权重不完全一致。这些发现为生成引擎的优化和AI信息中介的问责提供了因果证据。
博主点评： 本文通过详实的算法审计，揭示了AI在酒店推荐中的决策逻辑，尤其是价格与评分的主导地位，值得关注的是对生态认证的过度重视。随着AI技术的广泛应用，理解其推荐机制对于提升用户体验和保障透明度至关重要。