Los modelos de lenguaje grandes han ganado popularidad recientemente en varias aplicaciones debido a su capacidad para generar texto natural para tareas complejas. Los sistemas de recomendación, uno de los temas de investigación frecuentemente estudiados, pueden ser mejorados aún más utilizando las capacidades de los modelos de lenguaje grandes para rastrear y comprender los comportamientos y preferencias de los usuarios. En esta investigación, nuestro objetivo es construir un sistema de recomendación confiable y transparente generando explicaciones legibles por humanos para ayudar a los usuarios a obtener mejores ideas sobre los elementos recomendados y ganar más confianza. Proponemos un esquema de aprendizaje para entrenar conjuntamente la tarea de predicción de calificaciones y la tarea de generación de explicaciones. La tarea de predicción de calificaciones aprende la representación predictiva a partir de la entrada de vectores de usuario e ítem. Posteriormente, inspirados por el reciente éxito de la ingeniería de indicaciones, estas representaciones predictivas se utilizan como indicaciones predictivas, que son incrustaciones suaves, para provocar y dirigir cualquier conocimiento detrás de los modelos de lenguaje para la tarea de generación de explicaciones. Estudios empíricos muestran que el enfoque propuesto logra resultados competitivos en comparación con otras líneas de base existentes en el conjunto de datos público de TripAdvisor en inglés de recomendaciones explicables.