論文の概要: Right-Sizing Communication and Recommendation Set Size in AI-Assisted Search
- arxiv url: http://arxiv.org/abs/2605.23944v1
- Date: Sat, 02 May 2026 04:23:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-01 02:55:42.96309
- Title: Right-Sizing Communication and Recommendation Set Size in AI-Assisted Search
- Title（参考訳）: AIによる検索における右サイズコミュニケーションと推奨セットのサイズ
- Authors: Jing Dong, Prakirt Raj Jhunjhunwala, Yash Kanoria,
- Abstract要約: ユーザとAIによるレコメンデーションシステムとのインタラクションをモデル化する。
ユーザは、高価でノイズの多いメッセージを介して好み情報を伝達することにより、プロセスを開始する。
ベイジアンエージェントとして機能するAIアシスタントは、ユーザのメッセージを解釈して、真の好みに関する後続の信念を形成し、製品レコメンデーションを作成する。
- 参考スコア（独自算出の注目度）: 4.522246974662248
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We model the interaction between a user and an AI driven recommendation system. The user initiates the process by conveying preference information through a costly and noisy message. The AI assistant, acting as a Bayesian agent, interprets the user's message to form a posterior belief about their true preferences and make product recommendations. In particular, it determines how many recommendations to present so as to maximize the user's expected utility from their final choice, while accounting for the search cost induced by the size of the recommendation set. We use mutual information based cost functions to model the two distinct costs incurred by the user during the interaction: (i) a communication cost, which increases with the precision of their preference message, and (ii) a search cost, which increases with the size of the recommendation set provided by the AI assistant. We study products and preferences which live in d dimensional space, and ask how the user's expected payoff can be maximized. For large d, we characterize how optimal message precision and recommendation set size depend on the cost parameters, under two distinct distributions from which recommendations can be sampled from the product universe: (i) Bayes' posterior belief, and (ii) an optimized tilted distribution. Under the posterior sampling scheme (i), we identify a hybrid regime, in which an efficient interaction policy requires jointly optimizing the amount of information (in bits) conveyed by the user and the number of recommendations provided by the AI assistant. In the tilted sampling scheme (ii), our results show that the optimal interaction policy uses only one of communication and search, favoring whichever of them is less costly.
- Abstract（参考訳）: ユーザとAIによるレコメンデーションシステムとのインタラクションをモデル化する。
ユーザは、高価でノイズの多いメッセージを介して好み情報を伝達することにより、プロセスを開始する。
ベイジアンエージェントとして機能するAIアシスタントは、ユーザのメッセージを解釈して、真の好みに関する後続の信念を形成し、製品レコメンデーションを作成する。
特に、推奨セットのサイズによって引き起こされる検索コストを考慮しつつ、ユーザの期待するユーティリティを最終選択から最大化するために提示すべきレコメンデーションの数を決定する。
我々は、相互情報に基づくコスト関数を用いて、インタラクション中にユーザが引き起こした2つの異なるコストをモデル化する。
一 優先メッセージの正確さにより増加する通信費、及び
(ii)AIアシスタントが提供する推奨項目のサイズに応じて検索コストが増大する。
我々は,D次元空間に居住する製品や嗜好について検討し,ユーザの期待した支払を最大化できるかを問う。
大規模 d の場合、最適なメッセージ精度とレコメンデーションセットのサイズがコストパラメータにどのように依存するかを、製品宇宙からレコメンデーションをサンプリングできる2つの異なる分布で特徴づける。
一 ベイズの過去の信条、及び
(ii)最適化された傾斜分布。
後部サンプリング方式
i) 利用者が伝達する情報量(ビット)とAIアシスタントが提示するレコメンデーション数とを協調的に最適化する必要のある,効率的なインタラクションポリシを備えたハイブリッドシステムを特定する。
傾きサンプリングスキームについて
その結果,最適なインタラクションポリシはコミュニケーションと検索の1つしか使用せず,どちらがコストのかかるかを優先していることがわかった。
関連論文リスト
- 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) - Consecutive Preferential Bayesian Optimization [5.048216954459151]
我々は、生産と評価のコストを考慮するために、嗜好に基づく最適化を一般化する。
生産コストの高いセットアップや、無関心なフィードバックによるセットアップにおいて、顕著な精度の向上を実証的に示す。
論文 参考訳（メタデータ） (2025-11-07T11:30:36Z) - 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) - Multi-agents based User Values Mining for Recommendation [52.26100802380767]
効率的なユーザ値抽出のためのゼロショットマルチLLM協調フレームワークを提案する。
本研究は,本質的な意味を保ちながら,項目内容のコンデンスにテキスト要約手法を適用した。
幻覚を緩和するために,評価役と監督役の2つの特殊エージェントの役割を導入する。
論文 参考訳（メタデータ） (2025-05-02T04:01:31Z) - Preference Discerning with LLM-Enhanced Generative Retrieval [23.559962422900238]
逐次レコメンデーションでは、モデルがユーザのインタラクション履歴に基づいたアイテムを推奨する。
本稿では,ユーザの嗜好を生成的レコメンデーションモデルに明示的に規定する,選好識別という新たなパラダイムを提案する。
以上の結果から,Menderはトレーニング中に観察されなかったとしても,ヒトの嗜好によって指導される推奨に効果的に適応することが示された。
論文 参考訳（メタデータ） (2024-12-11T18:26:55Z) - Quantifying User Coherence: A Unified Framework for Cross-Domain Recommendation Analysis [69.37718774071793]
本稿では,レコメンデーションシステムを理解するための新しい情報理論手法を提案する。
9つのデータセットで7つのレコメンデーションアルゴリズムを評価し、測定値と標準的なパフォーマンス指標の関係を明らかにする。
論文 参考訳（メタデータ） (2024-10-03T13:02:07Z) - Relevance meets Diversity: A User-Centric Framework for Knowledge Exploration through Recommendations [15.143224593682012]
本稿では,コプラ関数による妥当性と多様性を組み合わせた新しいレコメンデーション戦略を提案する。
我々は,システムと対話しながらユーザから得た知識量のサロゲートとして多様性を利用する。
我々の戦略は、最先端のライバル数社を上回っている。
論文 参考訳（メタデータ） (2024-08-07T13:48:24Z) - Eliciting User Preferences for Personalized Multi-Objective Decision
Making through Comparative Feedback [76.7007545844273]
目的に対して異なるユーザの好みに対応する多目的意思決定フレームワークを提案する。
我々のモデルは、ベクトル値の報酬関数を持つマルコフ決定プロセスで構成され、各ユーザが未知の選好ベクトルを持つ。
少数の比較クエリを用いて,ユーザに対してほぼ最適なポリシを求めるアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-02-07T23:58:19Z) - Price DOES Matter! Modeling Price and Interest Preferences in
Session-based Recommendation [55.0391061198924]
セッションベースのレコメンデーションは、匿名ユーザが自分の短い行動シーケンスに基づいて購入したいアイテムを予測することを目的としている。
セッションベースのレコメンデーションの価格設定を組み込むのは簡単ではない。
セッションベースレコメンデーションのためのCoHHN(Co-guided Heterogeneous Hypergraph Network)を提案する。
論文 参考訳（メタデータ） (2022-05-09T10:47:15Z) - Low-Cost Algorithmic Recourse for Users With Uncertain Cost Functions [74.00030431081751]
本稿では,ユーザ固有のコスト関数の概念を定式化し,ユーザのための行動可能なリコースを識別する新しい手法を提案する。
本手法は,強いベースライン法に比べて最大25.89パーセントのユーザを満足させる。
論文 参考訳（メタデータ） (2021-11-01T19:49:35Z) - Using Stable Matching to Optimize the Balance between Accuracy and
Diversity in Recommendation [3.0938904602244355]
多くのレコメンデーションドメインにおいて、集約的多様性(あるいはカタログカバレッジ)の増加はシステムレベルの重要な目標である。
集約の多様性を高める試みは、エンドユーザの推奨精度を低下させる。
本稿では,ユーザとアイテムの両ユーティリティを考慮した,双方向のポストプロセッシング手法を提案する。
論文 参考訳（メタデータ） (2020-06-05T22:12:25Z)
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。