[論文レビュー] A Solicit-Then-Suggest Model of Agentic Purchasing

Shengyu Cao, Ming Hu|arXiv (Cornell University)|Mar 21, 2026

Auction Theory and Applications被引用数 0

ひとこと要約

この論文は、AIショッピングエージェントが多ラウンドの質問を通じて顧客の嗜好を学習し、次に小さく適合化された品揃えを提供する solicitation-then-suggest フレームワークを形式化する。 solicitation の深さと品揃えの広さは、異なる効率性を持つ代替関係として機能する。

ABSTRACT

E-commerce is shifting from search-based shopping to agentic purchasing. Rather than relying on keywords, AI shopping agents learn customer preferences through targeted multi-round conversations and then recommend a tailored set of products. We develop a solicit-then-suggest framework to study this setting. In a d-dimensional preference space, an agent conducts m rounds of solicitation to refine its belief about the customer's ideal product, then recommends k products from which the customer chooses. Our analysis identifies the key economic tradeoff. Under a Gaussian prior, we establish an uncertainty decomposition: solicitation depth and assortment breadth are substitutes, with total prior uncertainty split between what solicitation resolves and what assortment breadth hedges. The two instruments improve match quality at very different rates. Expected loss decreases on the order of 1/m with solicitation depth, but only on the order of k^(-2/d) with assortment breadth, reflecting a curse of dimensionality. Thus, a few well-designed questions can achieve what would otherwise require far more recommendations. We also characterize the optimal policy. The optimal assortment forms a Voronoi partition, assigning each product to the posterior region it best serves. With a single recommended product, the optimal solicitation follows a water-filling rule that equalizes posterior uncertainty across dimensions. With multiple products, the optimum may allocate less precision to dimensions that the assortment can hedge. This single-product water-filling rule also yields a general approximation guarantee for larger assortments, and the gap vanishes as dimension grows. Beyond the Gaussian case, the uncertainty decomposition and substitutability between solicitation depth and assortment breadth continue to hold for non-Gaussian priors.

研究の動機と目的

• 代理的購買を、会話を通じた多回の嗜好抽出を可能にする伝統的検索からの逸脱として動機付け、定義する。
• 情報収集と下流の品揃え設計を共同最適化する扱いやすい確率モデル（solicit-then-suggest）を開発する。
• solicitation の深さと品揃えの広さがどのように相互作用するかを特徴づけ、それらの代替関係と一致度に対する影響を含む。
• ガウス prior の下での単一および複数製品の最適ポリシーを提供し、非ガウス prior への結果の拡張を行う。
• 実用システムへの設計指針を提供する。大規模な品揃えには単純な単一質問ポリシーが十分な場合があることを含む。

提案手法

• 顧客を d 次元空間の潜在的理想点 θ とガウス prior N(μ0, Σ0) でモデル化する。
• 単位ノルム y_t を持つ m 回の方向性質問を用いて z_t = θᵀy_t + ε_t でノイズ付き応答を得て、カルマンフィルタ方程式（κ_t, μ_t, Σ_t）で信念を更新する。
• m 回の後、後方のセントロイドを各領域の代表点とする Voronoi 分割の最適品揃えを k 製品選択で形成する。
• k=1 のとき最適推奨は後方平均であり、期待損失は後方分散の半分に等しい。
• 単一製品ケースのウォーターフィリング solicitation 方針を導出し、より大きな品揃えへ拡張した場合の効率性ギャップを示す。
• ガウス prior を越えた解析を拡張し、不確実性分解恒等式と solicitation と assortment breadth の代替性を確立する。

実験結果

リサーチクエスチョン

• RQ1 solicitation の深さと品揃えの広さは代理的購買においてどのように相互作用するか？
• RQ2 ガウス priors の下で、質問方向と製品品揃えを選ぶ最適ポリシーは何か？
• RQ3 質問数の増加と製品数の増加は期待損失の低減率をどのように変化させ、なぜこれらは異なるのか？
• RQ4 非ガウス priors に本結果は適用可能か、ガウスベンチマークは漸近的にどう機能するか？
• RQ5 情報収集と製品 Hedge の相互作用から得られる実用的な設計指針は何か？

主な発見

• 不確実性の分解可能性：総体的不確実性は solicitation によって除去される部分と tailored assortment によって hedge される部分とに分割される； solicitation と assortmen t は代替可能である。
• 期待損失は solicitation 深さが m によって O(1/m) で減少する。一方、k 製品を含む品揃えの損失は O(k^{-2/d}) で減少し、次元の呪いは品揃えの広さに対して生じるが質問には生じない。
• 最適な単一製品品揃えは製品を後方平均に置き、損失は後方分散の半分に等しい。複数製品の品揃えは posterior centroid に製品を配置した Voronoi 分割を形成する。
• ウォーターフィリング solicitation 方針は、能動的に学習する次元全体で後方不確実性を均等化し、小さな m かつ大きな d に対してほぼ最適性を示す； joint optimization では選択的焦点化が生じ得る。
• ガウスの結果は非ガウス priors に対して保守的なベンチマークを提供し、対話長が長くなると漸近的に正確性を持つ。