[논문 리뷰] A Solicit-Then-Suggest Model of Agentic Purchasing

Shengyu Cao, Ming Hu|arXiv (Cornell University)|2026. 03. 21.

Auction Theory and Applications인용 수 0

한 줄 요약

본 논문은 다라운드 질의를 통해 고객의 선호를 학습한 다음 소량의 맞춤형 상품 구색을 제안하는 solicit-then-suggest 프레임워크를 형식화한다. 의뢰 깊이(solicitation depth)와 구색 폭(assortment breadth)은 서로 다른 효율성으로 대체되는 변수로 작용한다.

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.

연구 동기 및 목표

• 대화를 통해 다중 라운드 선호 발현을 가능하게 하여 전통적인 검색과의 차별점을 제시하고 에이전트형 구매를 동기로 정의한다.
• 정보 수집과 하위 구색 설계를 함께 최적화하는 다루기 쉬운 확률 모델(solicit-then-suggest)을 개발한다.
• 의뢰 깊이와 구색 폭이 어떻게 상호작용하는지 특성화하며, 그 대체 관계와 매칭 품질에 대한 영향을 포함한다.
• 가우시안 선행분포 아래 단일/다중 상품 구색에 대한 최적 정책을 제공하고, 결과를 비가우시안 선행분포까지 확장한다.
• 대규모 구색에 대해 간단한 단일 질문 정책이 충분한 경우를 포함하여 실무 시스템에 대한 설계 지침을 제시한다.

제안 방법

• 고객을 d 차원 공간에서 잠재적 이상점 θ와 가우시안 선행분포 N(μ0, Σ0)로 모델링한다.
• 단위 노름의 방향 질의 y_t를 사용하고 노이즈가 있는 응답 z_t = θᵀy_t + ε_t로 m라운드의 방향 질의를 수행하여 칼만 필터 방정식(κ_t, μ_t, Σ_t)을 통해 믿음을 업데이트한다.
• m 라운드 후에 k개의 상품을 선택해 보로노이 분할 최적 구색을 구성하고 각 지역의 후방 중심에 상품을 배치한다.
• k=1일 때 최적 추천이 사후 평균이고 기대 손실이 사후 분산의 절반과 같다는 것을 증명한다.
• 단일 상품의 경우 워터필링 의뢰 정책을 도출하고, 더 큰 구색으로 확장할 때의 효율성 격차에 대한 한계를 보인다.
• 가우시안 선행분포를 넘는 분석으로 불확실성 분해 항등식과 의뢰와 구색 폭 간의 대체 가능성을 확립한다.

실험 결과

연구 질문

• RQ1 에이전트형 구매에서 의뢰 깊이와 구색 폭은 어떻게 상호작용하는가?
• RQ2 가우시안 선행하에서 질의 방향과 상품 구색을 선택하는 최적 정책은 무엇인가?
• RQ3 더 많은 질의와 더 많은 상품에 따라 기대 손실이 감소하는 속도는 무엇이며 왜 다른가?
• RQ4 핵심 결과가 비가우시안 선행분포로 확장되는가, 그리고 가우시안 벤치마크가 점진적으로 어떻게 작동하는가?
• RQ5 정보 수집과 상품 헤지 간의 상호작용에서 도출되는 실무적인 설계 지침은 무엇인가?

주요 결과

• 불확실성 분해 가능성: 전체 선행 불확실성은 의뢰가 제거하는 부분과 맞춤 구색이 방어하는 부분으로 나뉘며, 의뢰와 구색은 대체재이다.
• 의뢰 깊이가 증가함에 따라 기대 손실은 O(1/m)로 감소하고, k개의 상품으로 구성된 구색의 경우 손실은 O(k^{-2/d})로 감소하여 질의에 비해 구색 확장이 차원의 저주를 가진다는 것을 보여준다.
• 최적 단일 상품 구색은 후방 평균에 상품을 배치하고 손실은 후방 분산의 절반과 같다; 다중 상품 구색은 후방 중심점에 상품이 배치된 보로노이 분할을 형성한다.
• 워터필링 의뢰 정책은 적극적으로 학습된 차원들 간의 후방 불확실성을 같게 하여, 작은 m과 큰 d에서 거의 최적에 이르게 한다; 공동 최적화에서 선택적 집중이 나타날 수 있다.
• 가우시안 결과는 비가우시안 선행분포에 대한 보수적 벤치마크를 제공하며, 대화 길이가 길어질수록 점근적으로 정확하다.