에이전트 기반 추천 시스템에서 엔트로피 기반 다양화 및 선호도 추출

Entropy Guided Diversification and Preference Elicitation in Agentic Recommendation Systems

전자 상거래 플랫폼에서 사용자는 검색 초기 단계에서 자신의 선호도에 대해 불확실함을 느끼는 경우가 많습니다. 추천 시스템에 대한 쿼리는 종종 모호하거나, 불완전하거나, 명확하게 정의되지 않습니다. 에이전트 기반 시스템은 사용자를 대신하여 능동적으로 추론하고, 명확히 질문하고, 행동하는 것이 기대되므로, 이러한 모호성을 처리하는 것이 더욱 중요해집니다. 기존 플랫폼에서 모호성은 과도한 상호 작용 및 질문 피로를 유발하거나, 지나치게 낙관적인 추천으로 인해 검색 공간을 조기에 닫히게 만들었습니다. 본 연구에서는 엔트로피를 통합적인 신호로 사용하여 모호한 사용자 쿼리를 해결하는 대화형 의사 결정 지원 시스템(IDSS)을 제안합니다. IDSS는 동적으로 필터링된 후보 제품 세트를 유지하고, 엔트로피를 사용하여 항목 속성에 대한 불확실성을 정량화합니다. 이러한 불확실성은 기대 정보 획득을 극대화하는 후속 질문을 선택하여 적응적인 선호도 추출을 안내합니다. 선호도가 여전히 불완전한 경우, IDSS는 불확실성을 고려한 순위 결정 및 엔트로피 기반 다양화를 통해 잔존하는 불확실성을 명시적으로 통합하여 추천에 반영하며, 조기에 해결하는 것을 강제하지 않습니다. 본 연구에서는 실제 사용자 리뷰를 기반으로 한 리뷰 기반 시뮬레이션 사용자를 활용하여 IDSS를 평가하여 다양한 쇼핑 행동을 체계적으로 연구합니다. 평가 지표는 상호 작용 효율성과 추천 품질 모두를 포함합니다. 결과는 엔트로피 기반 추출이 불필요한 후속 질문을 줄이는 데 효과적이며, 불확실성을 고려한 순위 결정 및 제시가 모호한 의도를 가진 사용자를 위한 더욱 유익하고, 다양하며, 투명한 추천 세트를 제공한다는 것을 보여줍니다. 이러한 결과는 엔트로피 기반 추론이 불확실성 하에서 작동하는 에이전트 기반 추천 시스템을 위한 효과적인 기반을 제공한다는 것을 입증합니다.

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.