CogSearch: 電子商取引検索における能動的な意思決定支援のための認知整合型マルチエージェントフレームワーク

1. 背景と課題 (Problem)

従来の電子商取引（E コマース）検索システムは、「検索・ランキング」という受動的なパラダイムに基づいており、単に関連性の高い商品を返すことに焦点を当てています。しかし、現代の消費者は複雑な意思決定を必要としており、以下の課題に直面しています。

• 認知的摩擦（Cognitive Friction）: ユーザーは複雑な要件や暗黙的な意図を持つ検索クエリに対して、システムが受動的に応答するだけでは、情報過多や比較コストに押しつぶされ、意思決定が困難になります。
• データ統合の限界: 既存システムはプラットフォーム内部のデータに依存しがちであり、外部情報（レビュー、ガイド、トレンドなど）との統合が不十分です。
• 「結果表示」から「意思決定支援」への転換不足: システムが単なる商品リストの提示者で留まり、ユーザーの「ニーズの明確化」から「意思決定の形成」までの全認知プロセスを支援できていません。

2. 提案手法：CogSearch (Methodology)

Simon の意思決定モデル（知能・設計・選択の 3 段階）に着想を得て、検索を「キーワードマッチング」から「能動的な意思決定支援」へと再定義する、4 つの専門エージェントからなるマルチエージェントフレームワーク「CogSearch」を提案しています。

システムの全体像

システムは「メモリシステム（Memory System）」を中核とし、以下の 4 つのエージェントが協調して動作します。

1. Planner Agent（計画エージェント）:

   • 役割: ユーザーの曖昧な意図を分解し、実行可能なタスクグラフ（有向非巡回グラフ：DAG）を生成します。
   • 機能: 検索履歴やクリック文脈を分析し、商品検索、ウェブ検索、ツール呼び出し（物流、価格比較など）を順序立てて計画します。これにより、複雑なクエリを構造化されたサブタスクに変換します。

2. Executor Agent（実行エージェント）:

   • 役割: 計画されたタスクに基づき、多様な情報源からの情報を収集・統合します。
   • 機能:
     • ProductSearch: 内部在庫からのキーワード・ベクトル融合検索と、商品属性・レビューの要約。
     • WebSearch: 外部のオープンワールド知識（レビュー、使用ガイドなど）を取得し、関連性・権威性・鮮度を評価してフィルタリング。
     • Tool Integration: 天気や物流状況など、文脈に応じた外部 API の動的呼び出し。

3. Guider Agent（誘導エージェント）:

   • 役割: 能動的な意思決定のガイダンスを提供し、需要の収束を促します。
   • 機能:
     • 動的な認知ファセット生成: 取得した商品セットとユーザーの認知状態の差分を分析し、状況に応じた階層的なフィルタ（例：「動画撮影用ならバッテリー寿命」「ハイキング用なら軽量」）を生成します。
     • パーソナライズされた購入戦略: 専門家の Anchoring やトレードオフ分析を行い、購入ガイドを生成。
     • クエリ提案: ユーザーの迷いに応じて検索を絞り込む（収束）か、潜在的なニーズを刺激して範囲を広げる（拡散）かの双方向誘導を行います。

4. Decider Agent（決定エージェント）:

   • 役割: 統合された意思決定を行い、最終的な推奨と根拠を出力します。
   • 機能: 上位エージェントからの情報（商品、外部証拠、対話履歴）とユーザープロファイルを統合し、LLM を用いた多基準意思決定（MCDM）を実行します。
   • 出力: 単なるランキングではなく、「機能性」「経済性」「信頼性」「制約遵守」の 4 次元で評価された最適商品と、その自然言語による推奨理由（Rationale）を提示します。

3. 主な貢献 (Key Contributions)

• アーキテクチャの革新: ユーザーのショッピング認知チェーンと検索プロセスを精密に整合させる、4 エージェント協調型の CogSearch フレームワークを提案しました。
• 大規模産業検証: 中国最大の EC プラットフォームである JD.com において完全実装され、オフラインベンチマークとオンライン A/B テストでその有効性が実証されました。
• 認知負荷の低減: システムを「結果表示」から「意思決定支援」へ転換し、ユーザーの認知的摩擦を大幅に軽減しました。

4. 実験結果 (Results)

オフライン評価 (ECCD-Bench)

• データセット: JD.com のログから作成された、1 万件の専門家アノテーション付きクエリ・レスポンスペア（ECCD-Bench）。単純な需要、複雑な需要、相談型クエリの 3 つのタスクカテゴリで評価。
• 結果: 複雑なクエリや相談型クエリにおいて、既存の検索システム（ベースライン）と比較して、ACC@5（上位 5 位以内の精度）とユーザー満足度（UDS）が大幅に向上しました。
• アブレーション研究: Planner（意図分解）、WebSearch（外部情報統合）、Guider（動的誘導）、Decider（多基準推論）の各コンポーネントを除去すると、複雑なタスクでの性能が著しく低下することが確認され、各モジュールの必要性が立証されました。

オンライン A/B テスト (JD.com 実環境)

• 設定: トラフィックの 10% を対象に 2 週間実施。
• 主要指標:
  • 意思決定コスト (Decision Cost): 1 注文あたりの検索・クリック回数。
  • ユーザー転換率 (UCVR): 訪問者あたりの注文完了率。
• 成果:
  • 意思決定コストが 5% 削減。
  • 全体の UCVR が 0.41% 向上。
  • 意思決定が重要なクエリ（専門的な商品解説、ギフト選定、機能比較など）において、UCVR が 30% 以上劇的に向上。
• ユーザー行動の変化: 10 語を超える長いクエリ（自然言語表現）の割合が 25% 増加し、ユーザーがより複雑でパーソナライズされたニーズをシステムに提示するようになったことが確認されました。

5. 意義と将来展望 (Significance & Future Work)

• 検索パラダイムの転換: 従来の「関連性中心」の検索から、「包括的かつ協調的な意思決定インテリジェンス」へと情報検索のパラダイムをシフトさせました。
• 実用性の証明: 大規模な実環境での導入により、LLM ベースのマルチエージェントシステムが、単なる実験段階を超えて、実際の E コマースビジネスにおいて意思決定コストの削減と売上向上に寄与できることが実証されました。
• 将来の展望: 将来的には、感覚知覚や長期的な認知メモリを統合した「生涯にわたるマルチモーダルショッピングコンパニオン」への進化、およびマルチエージェント推論の計算効率の最適化が予定されています。

この論文は、AI エージェントが単なる検索ツールを超え、人間の認知プロセスを補完・拡張する「能動的な意思決定パートナー」として機能する可能性を、大規模な実データに基づいて示した画期的な研究です。