Большие языковые модели меняют то, как системы рекомендаций взаимодействуют с пользователями, переходя от предсказания следующего элемента, который пользователь может понравиться, к пониманию их потребностей и адаптации с помощью обратной связи в естественном языке. Однако не существует наборов данных, чтобы изучить эти новые возможности, поэтому был разработан новый эталонный набор данных под названием Reviews Enhanced with GEnerative Narratives (REGEN). REGEN включает в себя рекомендации элементов, функции естественного языка и персонализированные нарративы, что позволяет изучать и оценивать новые архитектуры систем рекомендаций. Набор данных был создан путем дополнения набора данных обзоров продуктов Amazon синтетическими критиками пользователей и нарративами, сгенерированными с помощью модели Gemini 1.5 Flash. REGEN позволяет оценивать модели, которые включают обратную связь пользователей и генерируют естественный язык, соответствующий рекомендациям. Эксперименты показывают, что большие языковые модели, обученные на REGEN, могут эффективно генерировать как рекомендации, так и контекстные нарративы, достигая производительности, сопоставимой с лучшими рекомендателями и языковыми моделями. Набор данных включает в себя критику, которая позволяет пользователям выражать свои предпочтения, и нарративы, которые предоставляют богатую контекстную информацию о рекомендуемых элементах. Были разработаны две базовые архитектуры, чтобы изучить разные подходы к моделированию: гибридная система и полностью генеративная модель под названием LUMEN. Результаты показывают, что REGEN может осмысленно проверять и различать модели как в задачах рекомендаций, так и в задачах генерации, и что включение критик пользователей в входные данные последовательно улучшает метрики рекомендаций. REGEN предоставляет фундаментальный ресурс для изучения возможностей разговорных моделей рекомендаций, продвигая разговорные рекомендации путем интеграции языка как фундаментального элемента.