推荐系统在用户发现和消费内容的过程里扮演关键角色，但其内部决策逻辑常常不透明。反事实解释（CFX）通过展示若改变用户交互历史中的哪些项目会导致推荐结果变化，为解释提供了一条可行路径。然而在实际推荐场景中，CFX 往往需要大量编辑，生成的列表既冗长又低层次，普通用户难以理解。现有评估大多只关注编辑次数，忽视了生成的解释是否连贯、可操作。我们认为，这一缺口源于缺乏以用户为中心的抽象层以及定性评估的不足。为此，我们探索使用大语言模型（LLM）作为中介，将原始的 CFX 编辑列表压缩为简洁的自然语言叙述，捕捉更高层次的偏好模式。我们通过偏好优化（Preference Optimization）对 LLM 进行校准，目标包括正确性、信息量和语言质量，并使用独立的人类标注数据集构建的校准指标进行评估。实验在 MovieLens‑1M 数据集上进行，覆盖多种反事实生成器和语言模型。结果显示，摘要在整体语言质量上表现优异，语义层面的最佳效果出现在高成功率的 CFX 方法（如 ACCENT、SPINRec）上。直接偏好优化在几乎所有设置中均提升了语义指标。\n\n点评：该工作展示了 LLM 在桥接技术解释与用户可理解叙事之间的潜力，为推荐系统解释提供了更人性化的路径。