[論文レビュー] Entropy Guided Diversification and Preference Elicitation in Agentic Recommendation Systems

Dat Tran, Y Li+4 more|arXiv (Cornell University)|Mar 12, 2026

Recommender Systems and Techniques被引用数 0

ひとこと要約

この論文は、エントロピーを用いて好みの尋問を導くインタラクティブ意思決定支援システム(IDSS)を提案し、レコメンダーシステムにおける曖昧なユーザー意図の下でのランキングと多様化を行います。

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.

研究の動機と目的

• eコマース推奨における初期段階のユーザー問合せにおける不確実性と曖昧さの課題を動機づける。
• 不確実性を問合せ、ランキング、提示の全てで第一級シグナルとして扱うインタラクティブ意思決定支援システム(IDSS)を提案する。
• 一つの統一的な枠組みの中でエントロピー guided質問選択、多様化を意識したランキング、エントロピーベースの提示を開発する。
• レビュー駆動のシミュレートされたユーザーを用いた車分野のテストベッドでIDSSを評価し、相互作用の効率と推奨品質を研究する。

提案手法

• 次の尋問質問を導くために候補属性次元上のエントロピーを計算する。
• 2つのランキング戦略を使用する：最大マージナルリレーション（MMR）を用いた埋め込み類似度とカバレッジ-リスク最適化。
• 高不確定性次元でのトレードオフを露呈させるエントロピーに基づく多様化グリッドとして結果を提示する。
• ユーザー入力を構造化された状態に解析するGPT-5ベースのセマンティックパーサーを用いて、明示的なフィルター、嗜好、忍耐度を出力する。
• 計算前に量子化離散化を用いた連続属性のエントロピー正規化を適用する。

Figure 1: IDSS system overview. The conversational loop uses LLM parsing and entropy-guided question selection, followed by candidate ranking and entropy-based grid diversification.

実験結果

リサーチクエスチョン

• RQ1 エントロピーはユーザー嗜好の不確実性を効率的に低減するフォローアップ質問をどのように導けるか。
• RQ2 ランキングと多様化は未解決の嗜好をどのように組み込み、関連性と多様性のバランスを取るべきか。
• RQ3 エントロピーに基づく提示はトレードオフの理解を向上させ、嗜好発見を促すか。
• RQ4 曖昧さの下での相互作用負担と推奨品質のトレードオフはどうなるか。

主な発見

• エントロピー guided elicitationは不必要なフォローアップ質問を減らす。
• 不確実性を意識したランキングと提示は、曖昧な意図の下でより情報量が多く、多様で透明な推奨セットを生む。
• MMRはリストの多様性に大きく寄与し、トップkの関連性には設定に応じて控えめな影響を与える。
• エントロピー guidedの問いかけは、初期クエリが希薄な場合にフォローアップ質問の新規性を高める。
• 埋め込み類似性は短いクエリで優れ、カバレッジ-リスク最適化は長く制約の多いクエリで光る。
• 長いクエリはより難しく全体のパフォーマンスを低下させ、2つのランキングアプローチ間の関連性-多様性トレードオフを強調する。

Figure 2: Example of LLM-based semantic parsing that maps a free-form user query into structured hard constraints ( $\mathcal{F}$ ), soft preference cues ( $\mathcal{P}^{+}$ ), user disliked features ( $\mathcal{P}^{-}$ ), and user’s patience level ( $s$ ) which are subsequently used for downstream