AI辅助搜索中通信与推荐集大小的动态调节
人工智能
2026-05-26 v1 概率论
摘要
我们建模了用户与由AI驱动的推荐系统之间的交互。用户通过代价高昂且噪声较大的消息传递偏好信息。AI助手作为贝叶斯代理人，解释用户的消息以形成关于其真实偏好的后验信念，并作出产品推荐。具体而言，它确定要呈现多少个推荐，以最大化用户从最终选择中获得的预期效用，同时考虑由推荐集大小引起的搜索成本。我们使用基于互信息的成本函数来建模用户在交互期间所承担的两种不同成本：(i) 通信成本，随其偏好消息的精确度而增加；(ii) 搜索成本，随AI助手提供的推荐集大小而增加。我们研究生活在 d 维空间中的产品与偏好，询问如何最大化用户的预期收益。对于大 d， 我们 characterize optimal message precision 和 recommendation set size 如何依赖成本参数，在两种不同的分布下进行研究，这两种分布分别是从产品宇宙中抽样：(i) Bayes后验信念，和 (ii) 优化倾斜分布。在后验抽样方案 (i) 下，我们识别出一种混合 regime，其中高效的交互政策需要同时优化用户传达的信息量(以位数为单位)和AI助手提供的推荐数量。在倾斜抽样方案 (ii) 中，我们的结果表明，最佳交互政策仅使用通信或搜索中的一种，优先选择其中成本较低者。
引用
@article{arxiv.2605.23944,
title = {Right-Sizing Communication and Recommendation Set Size in AI-Assisted Search},
author = {Jing Dong and Prakirt Raj Jhunjhunwala and Yash Kanoria},
journal= {arXiv preprint arXiv:2605.23944},
year = {2026}
}