論文の概要: Entropy Guided Diversification and Preference Elicitation in Agentic Recommendation Systems

• arxiv url: http://arxiv.org/abs/2603.11399v1
• Date: Thu, 12 Mar 2026 00:24:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:25.729646
• Title: Entropy Guided Diversification and Preference Elicitation in Agentic Recommendation Systems
• Title（参考訳）: エージェントレコメンデーションシステムにおけるエントロピーガイドの多様化と推奨緩和
• Authors: Dat Tran, Yongce Li, Hannah Clay, Negin Golrezaei, Sajjad Beygi, Amin Saberi,
• Abstract要約: 本稿では,エントロピーを統一信号として用いたあいまいなユーザクエリに対処する対話型意思決定支援システム(IDSS)を提案する。 IDSSは動的にフィルタリングされた候補製品群を維持し、エントロピーを用いてアイテム属性に対する不確実性を定量化する。 嗜好が不完全である場合、IDSSは、未解決の解決を強制するのではなく、不確実性認識とエントロピーに基づく多様化を通じて、下流のレコメンデーションに不確実性を明示的に取り入れる。
• 参考スコア（独自算出の注目度）: 7.330706324673518
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Users on e-commerce platforms can be uncertain about their preferences early in their search. Queries to recommendation systems are frequently ambiguous, incomplete, or weakly specified. Agentic systems are expected to proactively reason, ask clarifying questions, and act on the user's behalf, which makes handling such ambiguity increasingly important. In existing platforms, ambiguity led to excessive interactions and question fatigue or overconfident recommendations prematurely collapsing the search space. We present an Interactive Decision Support System (IDSS) that addresses ambiguous user queries using entropy as a unifying signal. IDSS maintains a dynamically filtered candidate product set and quantifies uncertainty over item attributes using entropy. This uncertainty guides adaptive preference elicitation by selecting follow-up questions that maximize expected information gain. When preferences remain incomplete, IDSS explicitly incorporates residual uncertainty into downstream recommendations through uncertainty-aware ranking and entropy-based diversification, rather than forcing premature resolution. We evaluate IDSS using review-driven simulated users grounded in real user reviews, enabling a controlled study of diverse shopping behaviors. Our evaluation measures both interaction efficiency and recommendation quality. Results show that entropy-guided elicitation reduces unnecessary follow-up questions, while uncertainty-aware ranking and presentation yield more informative, diverse, and transparent recommendation sets under ambiguous intent. These findings demonstrate that entropy-guided reasoning provides an effective foundation for agentic recommendation systems operating under uncertainty.
• Abstract（参考訳）: eコマースプラットフォームのユーザーは、検索の初期段階で自分の好みについて不確実である可能性がある。 レコメンデーションシステムへのクエリは、しばしば曖昧、不完全、または弱い指定である。 エージェントシステムは、積極的に推論し、明確な質問をし、ユーザの代理として振る舞うことが期待され、このようなあいまいさの扱いがますます重要になる。 既存のプラットフォームでは、曖昧さは過剰な相互作用や質問の疲労、あるいは不信感の過剰なレコメンデーションにつながり、早期に検索スペースが崩壊した。 本稿では,エントロピーを統一信号として用いたあいまいなユーザクエリに対処する対話型意思決定支援システム(IDSS)を提案する。 IDSSは動的にフィルタリングされた候補製品群を維持し、エントロピーを用いてアイテム属性に対する不確実性を定量化する。 この不確実性は、期待される情報ゲインを最大化するフォローアップ質問を選択することにより、適応的嗜好を引き出す。 嗜好が不完全である場合、IDSSは未解決の解決を強制するのではなく、不確実性認識とエントロピーに基づく多様化を通じて、下流のレコメンデーションに不確実性を明示的に取り入れる。 我々は,実際のユーザレビューをベースとしたレビュー駆動型シミュレーションユーザを用いてIDSSを評価し,多様なショッピング行動の制御を可能にする。 我々の評価は、相互作用効率とレコメンデーション品質の両方を測定する。 その結果,エントロピー誘導による誘引は不要なフォローアップ質問を減らし,不確実性を考慮したランキングとプレゼンテーションは,曖昧な意図の下でより情報的で多様で透明なレコメンデーションセットをもたらすことがわかった。 これらの結果は,エントロピー誘導推論が不確実性の下で動作しているエージェントレコメンデーションシステムに有効な基盤となることを示唆している。

関連論文リスト

• Adaptive Quality-Diversity Trade-offs for Large-Scale Batch Recommendation [14.759906340416828]
  B-DivRecと呼ばれる効率的なアルゴリズムを導入し、アイテムの多様性の度合いを調節する。 これは、ユーザー履歴を通じて品質と多様性のトレードオフを強制するのに役立ちます。 第2に,ユーザに対する品質と多様性のトレードオフを適応的に調整するアプローチを提案する。
  論文  参考訳（メタデータ） (2026-02-02T12:20:07Z)
• Tree of Preferences for Diversified Recommendation [54.183647833064136]
  データバイアスの観点から、多種多様な推薦について検討する。 本研究では,世界知識を活用したゼロショット推論における大規模言語モデル(LLM)の卓越した性能に着想を得て,新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-12-24T04:13:17Z)
• Churn-Aware Recommendation Planning under Aggregated Preference Feedback [6.261444979025644]
  本稿では,近年の規制と技術の変化を動機とした逐次的意思決定問題について考察する。 我々はRec-APCモデルを導入し、匿名ユーザを既知の先行ユーザ型から抽出する。 最適ポリシが有限時間で純粋な利用に収束することを証明し、それらを効率的に計算するための分岐とバウンドのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-07-06T19:22:47Z)
• Uncertainty-Penalized Direct Preference Optimization [52.387088396044206]
  我々は、優先不確実性ペナル化スキームを導入し、DPOの悲観的な枠組みを開発する。 ペナル化は、不確実なサンプルの損失勾配を減衰させる損失の補正として機能する。 我々は,バニラDPOと比較して全体的な性能が向上し,高い不確実性選択/拒絶反応によるプロンプトの完成度も向上した。
  論文  参考訳（メタデータ） (2024-10-26T14:24:37Z)
• Algorithmic Drift: A Simulation Framework to Study the Effects of Recommender Systems on User Preferences [7.552217586057245]
  本稿では,長期シナリオにおけるユーザ-リコメンダ間のインタラクションを模倣するシミュレーションフレームワークを提案する。 本稿では,ユーザの嗜好に対するアルゴリズムの影響を定量化する2つの新しい指標について紹介する。
  論文  参考訳（メタデータ） (2024-09-24T21:54:22Z)
• CSRec: Rethinking Sequential Recommendation from A Causal Perspective [25.69446083970207]
  シーケンシャルなレコメンデータシステム(RecSys)の本質は、ユーザが意思決定を行う方法を理解することです。 我々は、CSRec(Causal Sequential Recommendation)と呼ばれる、シーケンシャルレコメンデーションの新しい定式化を提案する。 CSRecは、シーケンシャルなコンテキスト内で推奨項目が受け入れられる確率を予測し、現在の決定がどのようになされるかをバックトラックすることを目的としている。
  論文  参考訳（メタデータ） (2024-08-23T23:19:14Z)
• Debiasing Recommendation by Learning Identifiable Latent Confounders [49.16119112336605]
  コンバウンディングバイアスは、ユーザの露出とフィードバックの両方に影響を与える未測定変数の存在によって生じる。 既存の手法では,(1) 未測定変数について不確定な仮定を行うか,(2) 潜伏した共同創設者を直接ユーザの露出から推測する。 本稿では、上記の非識別問題の解決にプロキシ変数の集合を利用する新しい方法、すなわち、識別可能なデコノウ(iDCF)を提案する。
  論文  参考訳（メタデータ） (2023-02-10T05:10:26Z)
• Justification of Recommender Systems Results: A Service-based Approach [4.640835690336653]
  本稿では,サービスモデルを用いて商品とのインタラクションのすべての段階に関するレビューから経験データを抽出する,新たな正当化手法を提案する。 ユーザスタディでは,提案手法を,推奨システムの結果の正当性を反映したベースラインと比較した。 我々のモデルは、好奇心のレベルが異なるユーザや、認知の必要度(NfC)の低いユーザによって、より高いインタフェース適合度と満足度の評価を受けた。 これらの知見は、推薦システムの結果を正当化するためのサービスモデルの導入を奨励するが、多様なインタラクションニーズに適合するパーソナライズ戦略の調査を推奨する。
  論文  参考訳（メタデータ） (2022-11-07T11:08:19Z)
• Generalizing Bayesian Optimization with Decision-theoretic Entropies [102.82152945324381]
  統計的決定論の研究からシャノンエントロピーの一般化を考える。 まず,このエントロピーの特殊なケースがBO手順でよく用いられる獲得関数に繋がることを示す。 次に、損失に対する選択肢の選択が、どのようにして柔軟な獲得関数の族をもたらすかを示す。
  論文  参考訳（メタデータ） (2022-10-04T04:43:58Z)
• PURS: Personalized Unexpected Recommender System for Improving User Satisfaction [76.98616102965023]
  本稿では、予期せぬことを推奨プロセスに組み込んだ、新しいPersonalized Unexpected Recommender System(PURS)モデルについて述べる。 3つの実世界のデータセットに対する大規模なオフライン実験は、提案されたPURSモデルが最先端のベースラインアプローチを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2021-06-05T01:33:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。