[논문 리뷰] Entropy Guided Diversification and Preference Elicitation in Agentic Recommendation Systems

Dat Tran, Y Li외 4명|arXiv (Cornell University)|2026. 03. 12.

Recommender Systems and Techniques인용 수 0

한 줄 요약

이 논문은 모호한 사용자 의도하에서 추천 시스템에서의 선호 정보 수집, 순위 매김 및 다양화를 안내하기 위해 엔트로피를 활용하는 대화형 의사결정 지원 시스템(IDSS)을 제시한다.

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.

연구 동기 및 목표

• 이커머스 추천에서 초기 단계의 사용자 질의에 내재한 불확실성과 모호성의 도전과제를 제시하고 동기를 부여한다.
• 선호 정보 수집, 순위 매김, 제공 전반에서 불확실성을 1급 신호로 다루는 대화형 의사결정 지원 시스템(IDSS)을 제안한다.
• 하나의 통합 프레임워크 안에서 엔트로피 기반의 질문 선택, 다양화 인식을 고려한 랭킹 및 엔트로피 기반 프리젠테이션을 개발한다.
• 상황 연구를 통해 자동차 도메인 테스트베드에서 리뷰 기반의 시뮬레이션 사용자를 활용하여 IDSS를 평가하고 상호작용 효율성과 추천 품질을 연구한다.

제안 방법

• 다음 선호 정보 수집 질문을 안내하기 위해 후보 속성 차원에 대한 엔트로피를 계산한다.
• 두 가지 랭킹 전략을 사용한다: 임베딩 유사도와 최대 한계 관련성(MMR) 및 커버리지-리스크 최적화.
• 높은 불확실성 차원에서 trade-off를 드러내기 위해 엔트로피 기반 다양화 그리드로 결과를 제시한다.
• 사용자 입력을 명시적 필터, 선호도, 인내도 레벨을 출력하는 GPT-5 기반 시맨틱 파서로 구조화된 상태로 해석한다.
• 계산 전에 연속 속성에 대한 엔트로피를 분위 이산화(quantile discretization)를 통해 정규화(discretization)로 적용한다.

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.

실험 결과

연구 질문

• RQ1 엔트로피가 사용자 선호의 불확실성을 효율적으로 감소시키기 위한 후속 질문을 어떻게 안내할 수 있는가?
• RQ2 랭킹과 다양화는 해결되지 않은 선호를 어떻게 반영하여 관련성 및 다양성의 균형을 맞출 수 있는가?
• RQ3 엔트로피 기반 프리젠테이션이 균형의 이해를 개선하고 선호 발견을 촉진하는가?
• RQ4 모호성 하에서 상호작용 부담과 추천 품질 간의 트레이드오프는 무엇인가?

주요 결과

• 엔트로피 기반의 선호 정보 수집은 불필요한 후속 질문을 줄여준다.
• 불확실성 인식 랭킹 및 프리젠테이션은 모호한 의도 하에서 더 정보에 풍부하고 다양하며 투명한 추천 세트를 제공한다.
• MMR은 목록 다양성의 주요 기여자이며, 상단-k 관련성에 대한 영향은 설정에 따라 modest하다.
• 초기 질의가 희소할 때 엔트로피 기반의 질문 제시가 후속 질문의 새로움을 향상시킨다.
• Embedding Similarity는 짧은 질의에서 뛰어나고, Coverage-Risk Optimisation은 길고 제약이 많은 질의에서 빛을 발한다.
• 긴 질의는 더 도전적이며 전체 성능을 저하시키므로 두 랭킹 접근법 간의 관련성-다양성 트레이드오프를 강조한다.

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