💻 computer science

CogSearch: A Cognitive-Aligned Multi-Agent Framework for Proactive Decision Support in E-Commerce Search

Dit paper introduceert CogSearch, een cognitief uitgelijnd multi-agent framework dat e-commerce zoeken transformeert van passieve retrieval naar proactieve besluitvormingsondersteuning, wat resulteert in lagere beslissingskosten en een significante toename in conversie, zoals aangetoond door online tests op JD.com.

Oorspronkelijke auteurs: Zhouwei Zhai, Mengxiang Chen, Haoyun Xia, Jin Li, Renquan Zhou, Min Yang

Gepubliceerd 2026-03-13

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Zhouwei Zhai, Mengxiang Chen, Haoyun Xia, Jin Li, Renquan Zhou, Min Yang

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je in een gigantisch, ondoordringbaar warenhuis loopt om een nieuwe camera te kopen. In de traditionele zoekmachine (zoals die nu op internet werkt) krijg je een lijst van duizenden camera's. Je moet zelf door de stapels bladeren, vergelijken, lezen van reviews en beslissen welke het beste is. Dit is vaak vermoeiend en verwarrend.

CogSearch is als een super slimme, persoonlijke winkelassistent die niet alleen wacht tot je vraagt, maar actief meedenkt om je te helpen de perfecte keuze te maken.

Hier is hoe dit werkt, vertaald naar alledaags taalgebruik:

1. Het Probleem: De "Passieve" Zoekmachine

Huidige zoekmachines zijn als een bibliothecaris die alleen boeken op je verzoek uit de kast haalt. Als je vraagt om "een goede camera", geeft hij je een stapel boeken. Hij vraagt niet: "Bedoel je voor reizen of voor sport?" of "Heb je een klein budget?". Jij moet zelf alle puzzelstukjes leggen. Dit kost veel tijd en energie (cognitieve last).

2. De Oplossing: Het CogSearch Team

CogSearch lost dit op door niet één robot te zijn, maar een team van vier gespecialiseerde experts die samenwerken, net als een goed georganiseerd kantoor. Ze noemen dit een "Multi-Agent" systeem.

Stel je voor dat je een complexe vraag stelt, zoals: "Ik wil een camera voor mijn nieuwe baby, die niet te zwaar is en goed werkt in de schemering."

Hier komen de vier agenten in actie:

De Planner (De Architect):
Deze agent luistert naar je vraag en denkt: "Wacht even, dit is niet zomaar een camera. We moeten eerst kijken naar gewicht, dan naar prestaties in donker, en dan prijzen vergelijken." Hij maakt een stappenplan (een taakkaart) en deelt het werk uit aan de anderen. Hij zorgt dat het team precies weet wat er moet gebeuren.
De Executor (De Verzamelaar):
Deze agent is de onderzoekers. Hij rent niet alleen naar de eigen winkel (de webshop), maar gaat ook het internet op om te kijken wat echte mensen zeggen, leest professionele reviews en checkt zelfs of er een korting loopt. Hij verzamelt alle losse feiten en zet ze in één grote map klaar.
De Guider (De Gids):
Deze agent is de verstandige verkoper. Hij ziet dat je twijfelt over het gewicht. In plaats van je 100 camera's te tonen, zegt hij: "Kijk, voor een babycamera is gewicht cruciaal. Laten we eerst filteren op 'lichtgewicht' en dan kijken naar 'nachtmodus'." Hij stelt slimme vragen om je te helpen je eigen wensen scherper te krijgen, zodat je niet verdwaalt in de opties.
De Decider (De Beslisser):
Dit is de hoofdadviseur. Hij neemt alle informatie van de anderen, kijkt naar jouw geschiedenis (misschien koop je vaak dure spullen of juist budgetvriendelijke) en maakt de uiteindelijke keuze. Hij zegt niet alleen: "Koop deze," maar legt uit: "Deze camera is perfect voor jou omdat hij licht is (voor je baby), goed presteert in het donker (voor de slaapkamer) en binnen je budget valt."

3. Het Resultaat: Minder Stress, Meer Kopen

In het echte leven heeft JD.com (een van de grootste webwinkels van China) dit systeem getest.

Vroeger: Mensen moesten zelf 10 keer zoeken, klikken en vergelijken voordat ze iets kochten.
Met CogSearch: Mensen kwamen sneller tot een keuze. De "besliskosten" (de moeite die je doet) daalden met 5%.
Het verrassende effect: Mensen kochten vaker! De verkoop steeg met 0,41% in het algemeen, maar bij moeilijke vragen (zoals "welke camera voor mijn baby?") steeg de verkoop met maar liefst 30%.

Waarom is dit belangrijk?

CogSearch verandert de manier waarop we online winkelen. Het gaat van "Hier is een lijst, zoek het zelf uit" naar "Hier is een advies op maat, gebaseerd op wat jij echt nodig hebt."

Het is alsof je van een zelfbedieningsmagazijn verhuist naar een winkel waar een expert naast je staat die precies weet wat je zoekt, zelfs als jij het zelf nog niet helemaal duidelijk kunt verwoorden. Het maakt het winkelen niet alleen makkelijker, maar ook slimmer.

Probleemstelling

Traditionele e-commerce zoeksystemen opereren voornamelijk volgens een passief "retrieval-ranking" paradigma. Ze zijn ontworpen om relevante producten terug te vinden op basis van trefwoorden, maar falen vaak bij het ondersteunen van complexe besluitvorming. Gebruikers worden geconfronteerd met:

Cognitieve wrijving: Overweldigende hoeveelheden informatie en de noodzaak om zelf complexe afwegingen te maken.
Passieve respons: Systemen reageren alleen op zoekopdrachten in plaats van proactief behoeften te anticiperen of te verduidelijken.
Beperkte data-integratie: Afhankelijkheid van platform-interne data, wat leidt tot een gebrek aan context uit externe bronnen (zoals reviews, gidsen of live situaties).
Gebrek aan redenering: Bestaande systemen kunnen geen complexe, multi-attribuut redeneringen uitvoeren die nodig zijn voor impliciete behoeften (bijv. "een camera voor reizen onder 500 euro").

Het paper stelt dat zoekopdrachten moeten evolueren van "trefwoordmatching" naar "actieve besluitvormingsassistentie", geïnspireerd door het besluitvormingsmodel van Simon.

Methodologie: Het CogSearch Framework

CogSearch is een cognitief uitgelijnd multi-agent framework dat de zoekervaring herschikt als een collaboratief cognitief proces. Het systeem bestaat uit vier gespecialiseerde agenten die samenwerken via een Memory System (voor context, staat en taakgrafieken):

Planner Agent (Intentie-ontleding):
- Functie: Transformatie van een ambigue gebruikersvraag naar een gestructureerd, uitvoerbaar taakdiagram (Directed Acyclic Graph - DAG).
- Mechanisme: Gebruikt Large Language Models (LLM) om de intentie te ontleden in atomische taken: ProductSearch (interne inventaris), WebSearch (externe kennis) en ToolInvocation (API's zoals prijsvergelijking of logistiek).
- Output: Een taakgrafiek die de volgorde en afhankelijkheden van zoekacties definieert.
Executor Agent (Multi-bron acquisitie):
- Functie: Uitvoering van de door de Planner gegenereerde taken.
- Componenten:
  - ProductSearch: Hybrid retrieval (keyword + semantische embedding) met verrijking van productattributen en samenvattingen van reviews.
  - WebSearch: Een "Expand-Retrieve-Filter" pijplijn voor het ophalen en filteren van externe data (reviews, gidsen) op basis van relevantie, autoriteit en actualiteit.
  - Tool Integration: Dynamische oproep van externe API's (bijv. weersvoorspelling voor logistiek).
Guider Agent (Proactieve begeleiding):
- Functie: Actieve sturing van de besluitvorming om de "keuzeparadox" te doorbreken.
- Mechanismen:
  - Dynamische Facetten: Genereert hiërarchische filters die passen bij de huidige cognitieve staat van de gebruiker (bijv. "batterijduur" voor vloggers vs. "gewicht" voor wandelaars).
  - Persoonlijke Strategie: Combineert productdata, externe kennis en gebruikersgeschiedenis om een "kooptabel" te genereren met afwegingen.
  - Query Suggesties: Stelt convergente vragen (verfijnen) of stimulerende vragen (uitbreiden) om de zoektocht te sturen.
Decider Agent (Integratieve redenering):
- Functie: Het genereren van een definitieve aanbeveling met een onderbouwing.
- Mechanisme: Voert Multi-Criteria Decision Making (MCDM) uit door interne data, externe bewijzen en gebruikersvoorkeuren te synthetiseren.
- Output: Geen simpele ranglijst, maar een gepersoonlijke aanbeveling $(d^*, R)$ , waarbij $R$ een natuurlijke taal-argumentatie is die uitlegt waarom een product de beste keuze is voor de specifieke situatie (balans tussen functionaliteit, kosten en betrouwbaarheid).

Belangrijkste Bijdragen

Architecturale Innovatie: De introductie van een multi-agent systeem dat de zoekcyclus volledig afstemt op de menselijke cognitieve keten (van behoeftenformulering tot beslissing), in plaats van alleen relevante items te tonen.
Grootschalige Industriële Validatie: Het framework is volledig geïmplementeerd op JD.com, een van de grootste e-commerceplatforms ter wereld.
Nieuwe Evaluatiestandaard: Voorstellen van ECCD-Bench, een benchmark met 10.000 expert-geannoteerde query-responsparen om cognitieve besluitvorming te testen (opgedeeld in simpele, complexe en consultatieve queries).

Resultaten

De prestaties zijn gevalideerd via offline benchmarks en online A/B-tests op JD.com.

Offline Resultaten (ECCD-Bench):

CogSearch presteerde significant beter dan het bestaande LLM-versterkte basissysteem, vooral bij complexe en consultatieve queries.
Ablatiestudies toonden aan dat elke agent essentieel is:
- Zonder Planner: Daling van 37,3% in nauwkeurigheid bij complexe queries.
- Zonder WebSearch: Daling van 25,3% in tevredenheid bij consultatieve queries (bevestigt het belang van externe data).
- Zonder Guider of Decider: Significante daling in tevredenheid, wat aantoont dat dynamische begeleiding en onderbouwde redenering cruciaal zijn.

Online A/B-test Resultaten (JD.com):

Besluitvormingskosten (Decision Cost): Een reductie van 5% (minder zoekacties en klikken per transactie).
Conversie (UCVR): Een stijging van 0,41% in de algehele conversieratio.
Impact bij complexe queries: Voor queries die zware besluitvorming vereisen (bijv. cadeaus, professionele vergelijkingen), steeg de conversie met 30%.
Gebruikersgedrag: Het percentage lange, natuurlijke taal-query's (>10 woorden) nam met 25% toe, wat aangeeft dat gebruikers zich comfortabeler voelen bij het uitdrukken van complexe behoeften.

Betekenis en Toekomstperspectief

CogSearch markeert een fundamentele verschuiving in informatiezoekopdrachten: van een passief systeem dat antwoorden geeft, naar een proactief systeem dat helpt bij het nemen van beslissingen.

Technische Impact: Het demonstreert dat multi-agent systemen, gekoppeld aan LLM's en externe kennisbronnen, de cognitieve last voor gebruikers kunnen verlagen en de conversie kunnen verhogen.
Toekomst: De auteurs plannen de evolutie van CogSearch naar een "levenslange, multimodale winkelcompanion" met geïntegreerde sensorische waarneming en langetermijngeheugen, terwijl de rekenefficiëntie van het multi-agent redeneren wordt geoptimaliseerd.

Kortom, CogSearch bewijst dat het integreren van cognitieve principes in e-commerce zoeksystemen niet alleen de gebruikerservaring verbetert, maar ook directe, meetbare zakelijke voordelen oplevert.