Große Sprachmodelle ändern, wie Empfehlungssysteme mit Benutzern interagieren, indem sie von der Vorhersage des nächsten Artikels, den ein Benutzer mögen könnte, zu einem Verständnis der Bedürfnisse der Benutzer und einer Anpassung durch natürlichsprachliches Feedback übergehen. Es gibt jedoch keine Datensätze, um diese neuen Fähigkeiten zu erkunden, daher wurde ein neuer Benchmark-Datensatz namens Reviews Enhanced with GEnerative Narratives (REGEN) entwickelt. REGEN kombiniert Artikel-Empfehlungen, natürlichsprachliche Merkmale und personalisierte Narrative, um die Erkundung und Bewertung neuer Empfehlungsarchitekturen zu ermöglichen. Der Datensatz wurde durch die Erweiterung des Amazon-Produktbewertungs-Datensatzes mit synthetischen Benutzer-Kritiken und Narrativen erstellt, die mittels des Gemini 1.5 Flash-Modells generiert wurden. REGEN ermöglicht die Bewertung von Modellen, die Benutzer-Feedback aufnehmen und natürlichsprachliche Ausgaben erzeugen, die mit den Empfehlungen konsistent sind. Experimente zeigen, dass große Sprachmodelle, die auf REGEN trainiert wurden, effektiv sowohl Empfehlungen als auch kontextuelle Narrative generieren können, was zu Leistungen vergleichbar mit denen von State-of-the-Art-Empfehlern und Sprachmodellen führt. Der Datensatz enthält Kritiken, die es Benutzern ermöglichen, ihre Vorlieben auszudrücken, und Narrative, die reiche kontextuelle Informationen über empfohlene Artikel bereitstellen. Zwei Baseline-Architekturen wurden entwickelt, um unterschiedliche Modellansätze zu erkunden: ein hybrides System und ein vollständig generatives Modell namens LUMEN. Die Ergebnisse zeigen, dass REGEN Modelle auf bedeutende Weise herausfordern und unterscheiden kann, sowohl bei Empfehlungsaufgaben als auch bei Generierungsaufgaben, und dass die Integration von Benutzer-Kritiken in die Eingabe konsistent die Empfehlungsmetriken verbessert. REGEN bietet eine grundlegende Ressource für das Studium der Fähigkeiten von konversationellen Empfehlungsmodellen, indem es die konversationelle Empfehlung durch die Integration von Sprache als fundamentalem Element vorantreibt.