Entropy Guided Diversification and Preference Elicitation in Agentic Recommendation Systems

Each language version is independently generated for its own context, not a direct translation.

Imagine que você está em uma grande loja de carros, mas não sabe exatamente o que quer. Você diz ao vendedor: "Quero um carro bom, mas não tenho certeza se prefiro gasolina ou híbrido, e meu orçamento é meio flexível".

Na maioria dos sistemas de recomendação atuais, o vendedor pode fazer duas coisas erradas:

Ficar insistindo em perguntas sem fim: "E qual a cor? E o ano? E o tamanho do porta-malas?" até você ficar cansado e irritado.
Adivinhar errado rápido demais: Ele assume que você quer um carro vermelho de 2020 e te mostra só aqueles, ignorando que você poderia ter gostado de um SUV azul de 2022.

Os autores deste artigo criaram um sistema chamado IDSS (Sistema de Apoio à Decisão Interativa) para resolver esse problema. Eles usam uma ideia matemática chamada Entropia (que, de forma simples, significa "medir o quanto estamos perdidos ou confusos").

Aqui está como o IDSS funciona, usando analogias do dia a dia:

1. O Detetive que Sabe Onde Procurar (Seleção de Perguntas)

Imagine que o IDSS é um detetive inteligente. Quando você chega com uma ideia vaga, ele não chuta perguntas aleatórias. Ele olha para o "cardápio" de carros disponíveis e pergunta a si mesmo: "Sobre o que eu tenho mais dúvidas agora?"

A Analogia: Pense em um jogo de "Adivinhe o Objeto". Se 90% dos carros na loja são vermelhos, perguntar "Você quer vermelho?" não ajuda muito. Mas se a loja tem 50% de carros elétricos e 50% de gasolina, perguntar sobre o tipo de combustível é a melhor jogada para reduzir sua confusão.
O Truque: O sistema calcula essa "confusão" (entropia). Ele só faz a pergunta que vai te ajudar a decidir mais rápido, evitando perguntas inúteis que só te cansariam.

2. O Chef que Sabe Cozinhar com Ingredientes Faltando (Classificação e Risco)

Depois de fazer algumas perguntas, o sistema precisa escolher os melhores carros. Mas e se você ainda não tiver decidido tudo?

A Analogia: Imagine que você pediu um prato ao chef, mas não disse se gosta de pimenta. Um chef comum pode fazer o prato sem pimenta e você ficar decepcionado. O IDSS age como um chef experiente que sabe lidar com a incerteza.
Como funciona: Em vez de tentar adivinhar e te dar apenas uma opção, ele te mostra um leque de opções que cobrem os "riscos". Ele te diz: "Como você não disse se gosta de pimenta, aqui estão três opções: uma sem pimenta, uma média e uma forte. Assim, você pode ver qual combina mais com seu paladar."
Isso evita que o sistema te dê apenas carros que parecem perfeitos, mas que podem ter um defeito oculto que você não mencionou.

3. O Organizador de Prateleiras (Apresentação Diversificada)

No final, em vez de te dar uma lista chata de 10 carros um embaixo do outro, o IDSS organiza os resultados como se fossem prateleiras de uma loja bem organizada.

A Analogia: Em vez de uma lista longa, ele cria uma "grade" ou "tabela". Se a maior dúvida restante era sobre o tipo de motor, ele agrupa os carros em linhas: uma linha para "Elétricos", outra para "Híbridos" e outra para "Gasolina".
O Benefício: Você consegue comparar os carros lado a lado e ver claramente as trocas (trade-offs). É como olhar para um mapa de rotas: você vê a rota rápida mas cara, e a rota lenta mas barata, e escolhe a que faz sentido para você naquele momento.

O Resultado?

O sistema foi testado com "usuários simulados" (robôs que agem como pessoas reais baseadas em milhares de avaliações de carros). Os resultados mostraram que:

Menos perguntas chatas: O sistema faz menos perguntas, mas as perguntas certas.
Melhores escolhas: As listas finais são mais variadas e transparentes. Você não se sente "empurrado" para uma única opção, mas sim guiado a descobrir o que realmente quer.

Em resumo: O IDSS é como ter um assistente de compras que entende que você pode não saber o que quer no início. Em vez de te pressionar ou te dar respostas erradas, ele usa a "confusão" como um mapa para te guiar, fazendo as perguntas certas na hora certa e mostrando as opções de forma que você possa comparar e decidir com confiança.

Each language version is independently generated for its own context, not a direct translation.

Título: Diversificação Guiada por Entropia e Elaboração de Preferências em Sistemas de Recomendação Agênticos

1. O Problema

Os usuários de plataformas de comércio eletrônico frequentemente iniciam suas buscas com preferências incertas, ambíguas, incompletas ou mal especificadas (ex.: "um SUV usado barato"). Os sistemas de recomendação tradicionais enfrentam dois desafios principais ao lidar com essa ambiguidade:

Fadiga de Interação: Fazer muitas perguntas de esclarecimento para resolver a ambiguidade pode cansar o usuário.
Colapso Prematuro do Espaço de Busca: Sistemas que assumem uma interpretação rígida da intenção do usuário muito cedo podem excluir alternativas viáveis.

Além disso, muitos sistemas existentes tratam a elicitação de preferências, o ranqueamento e a apresentação de resultados como componentes separados, falhando em propagar consistentemente a incerteza através de todo o pipeline de recomendação.

2. Metodologia: O Sistema IDSS

Os autores propõem o IDSS (Interactive Decision Support System), um sistema de recomendação conversacional que trata a incerteza como um sinal de primeira classe, utilizando a entropia (da teoria da informação) como sinal unificador para guiar três estágios principais:

A. Elaboração de Preferências Guiada por Entropia

Em vez de seguir scripts fixos, o sistema calcula a entropia de Shannon sobre as dimensões dos atributos dos candidatos disponíveis no conjunto atual.

Seleção de Perguntas: O sistema seleciona a próxima pergunta baseada na dimensão que maximiza a entropia (ou seja, a dimensão onde os candidatos estão mais distribuídos e, portanto, a resposta do usuário trará maior ganho de informação).
Limiar de Valor: Se a entropia máxima for inferior a um limiar ( $\tau_H$ ), o sistema para de fazer perguntas e prossegue para a recomendação, evitando perguntas de baixo valor.
Geração Híbrida: Uma LLM (Large Language Model) gera a pergunta natural baseada na dimensão selecionada e nas estatísticas de distribuição dos dados.

B. Estratégias de Ranqueamento Dual

Após a fase de entrevista, o sistema ranqueia os candidatos usando duas estratégias complementares, dependendo do nível de incerteza residual:

Similaridade de Embedding com MMR (Maximal Marginal Relevance): Combina a similaridade semântica com a intenção do usuário e aplica MMR para garantir diversidade, penalizando itens muito semelhantes entre si.
Otimização de Cobertura-Risco: Foca em maximizar a cobertura de características "gostadas" pelo usuário enquanto penaliza itens que contêm características "desgostadas". Isso é feito através de correspondência semântica com resenhas de produtos, permitindo um trade-off explícito entre alinhamento e risco em atributos não especificados.

C. Apresentação Orientada à Exploração

Em vez de retornar uma lista plana, o IDSS organiza os resultados em uma grade estruturada.

Diversificação: Os resultados são agrupados ao longo de uma dimensão não especificada com alta entropia (ex.: agrupar carros por tipo de combustível: Elétrico, Híbrido, Gasolina).
Objetivo: Tornar as compensações (trade-offs) visíveis e permitir que o usuário descubra preferências através da comparação direta, sem necessidade de mais diálogos.

3. Contribuições Principais

Sistema Unificado de Incerteza: Introdução de um sistema onde a incerteza (quantificada por entropia) é propagada e utilizada consistentemente na elicitação, ranqueamento e apresentação, em vez de otimizar essas etapas isoladamente.
Estratégias de Diversificação Conscientes da Incerteza: Proposição de métodos de ranqueamento que estendem abordagens existentes (como MMR) ao incorporar explicitamente preferências incompletas e riscos em atributos não definidos.
Framework de Avaliação Robusto: Criação de um ambiente de avaliação baseado em simulação com usuários impulsionados por resenhas reais, medindo o trade-off entre o custo da interação (número de perguntas) e a qualidade da recomendação.

4. Resultados Experimentais

O sistema foi avaliado no domínio de recomendação de carros (e validado qualitativamente em eletrônicos) usando 150 personas simuladas baseadas em resenhas reais de usuários.

Eficiência da Elaboração: A seleção de perguntas guiada por entropia reduziu significativamente a necessidade de perguntas desnecessárias. Em consultas curtas, a "novidade" das perguntas aumentou de ~0.60 para ~0.95 quando comparado a abordagens sem entropia.
Qualidade da Recomendação:
- O uso de MMR foi crucial para a diversidade intra-lista (ILD), embora tenha causado uma leve redução na precisão pura (trade-off clássico).
- A estratégia Coverage-Risk (CR) superou a Similaridade de Embedding (ES) em consultas longas e detalhadas, enquanto a ES performou melhor em consultas curtas e vagas.
- O sistema completo (com perguntas guiadas por entropia e diversificação) produziu conjuntos de recomendação mais informativos, diversos e transparentes.
Validação com Usuários Reais: Uma pesquisa piloto com 12 participantes mostrou que os usuários preferiram interações com 2 perguntas de acompanhamento em vez de 0, classificando a apresentação diversificada como mais organizada e útil para identificar restrições omitidas.

5. Significado e Conclusão

O trabalho demonstra que o raciocínio guiado por entropia fornece uma base eficaz para sistemas de recomendação agênticos que operam sob incerteza.

Inovação Conceitual: Ao tratar a incerteza como um sinal unificador, o IDSS evita a fadiga do usuário e o colapso prematuro do espaço de busca.
Aplicabilidade: O framework é agnóstico ao domínio, sugerindo que pode ser aplicado a outras áreas de decisão complexa além de carros.
Impacto Prático: Oferece uma solução prática para o dilema comum em sistemas conversacionais: como equilibrar a necessidade de obter informações do usuário com a eficiência da interação, garantindo que as recomendações finais sejam robustas mesmo quando as preferências do usuário não são totalmente claras.

O estudo conclui que o design conjunto de estratégias de questionamento e ranqueamento é fundamental para o sucesso de assistentes de IA em cenários de intenção ambígua.