CoPref 與 CoShop：解構使用者偏好形成的互動推薦新框架
本研究挑戰傳統代理人假設使用者具備完整偏好，指出多數使用者缺乏領域知識，無法直接回答偏好問題。作者以資訊經濟學的搜尋‑體驗‑可信度模型為基礎，提出 CoPref 模型，說明使用者如何在代理人對話中逐步建構偏好。隨後設計 CoShop 基準，讓代理人在互動式推薦情境下協助使用者學習並形成需求。
背景與挑戰
傳統的代理人系統多假設使用者已具備明確且完整的偏好，當任務描述不完整時，系統會直接提出澄清問題。然而，實務上使用者往往缺乏足夠的領域知識，無法立即給出偏好答案，必須先透過範例或說明學習相關概念。
CoPref 模型
作者借鑑資訊經濟學的「搜尋‑體驗‑可信度」框架，提出 CoPref（Contextual Preference）模型，描述使用者在代理人對話行動的引導下，如何逐步建構偏好。模型強調代理人的教學角色，而非僅僅是資訊檢索。
CoShop 基準
為驗證 CoPref 的實務效用，研究者設計了 CoShop——一個互動式推薦系統基準。代理人在每回合與使用者對話，提供商品建議，同時協助使用者獲取形成偏好所需的知識。
實驗結果
測試了五個最先進的語言模型作為代理人，皆在最多五輪互動後，正確率最高僅達 56%。失敗原因主要不是模型找不到合適商品，而是對話未能顯著擴展使用者對自己需求的認知。
啟示
結果顯示，未來的代理人需要更強的教學與知識傳遞能力，才能在真實情境中有效協助使用者形成需求，而非僅靠問答式的澄清。
延伸閱讀
原始來源：ArXiv AI
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
