AI 추천 시스템에서 사용자가 선호도를 전달하는 커뮤니케이션 비용과 추천 목록 탐색 비용을 상호 정보량 기반으로 동시에 모델링했다. 고차원(d가 큰) 제품 공간에서 베이즈 사후확률 샘플링 하에서는 커뮤니케이션 정확도와 추천 수를 함께 최적화하는 '하이브리드 체제'가 최적임을 보였다. 반면 기울어진(tilted) 분포 샘플링 하에서는 둘 중 비용이 낮은 하나만 사용하는 것이 최적이다. 이 연구는 AI 추천 시스템 설계 시 사용자 의사소통 부담과 탐색 부담의 균형을 수학적으로 정량화하는 프레임워크를 제공한다.
- •사용자의 선호 전달 비용(커뮤니케이션)과 추천 목록 탐색 비용(서치)을 상호 정보량으로 모델링한 AI 추천 시스템 프레임워크 제안.
- •고차원 공간에서 베이즈 사후확률 샘플링 시, 커뮤니케이션 정밀도와 추천 수를 동시에 최적화하는 '하이브리드 체제'가 필요함을 규명.
- •기울어진 분포(tilted distribution) 샘플링 시 커뮤니케이션과 탐색 중 비용이 낮은 한 가지만 사용하는 것이 최적 정책임을 증명.
Right-Sizing Communication and Recommendation Set Size in AI-Assisted Search
- 1.AI 추천 시스템에서 사용자 선호 전달 비용과 추천 세트 크기를 동시 최적화하는 이론 모델 제안
- 2.후방 샘플링 방식에서는 통신 정밀도(bits)와 추천 수를 함께 조정하는 하이브리드 체제가 최적
- 3.틸팅 분포 샘플링 방식에서는 통신·탐색 중 비용이 낮은 하나만 활용하는 단일 전략이 최적
왜 중요한가?
AI 추천 시스템 설계 시 사용자 입력 정밀도와 추천 세트 크기 간 트레이드오프를 정량화한 이론 틀로, 실제 검색·추천 제품의 UX 최적화 결정에 수학적 근거를 제공한다.
본문 미리보기
arXiv:2605.23944v1 Announce Type: new Abstract: We model the interaction between a user and an AI driven recommendation system. The user initiates the process by conveying preference information through a costly and noisy message. The AI assistant, acting as a Bayesian agent, interprets the user's message to form a posterior belief about their true preferences and make product recommendations. In particular, it determines how many recommendations to present so as to maximize the user's expected
전체 내용이 궁금하다면?
원문을 직접 읽어보세요
