The User Asks, Platforms Compete: How Agentic Recommendation Markets Take Shape
用户提问，平台竞争：推荐代理市场如何形成
🧭 Agent 中介的跨平台推荐市场策略
Tsinghua University · Tencent Inc.
在用户代理中介的竞争中，宽访问带来注意力瓶颈，而结果问责可重新校准平台解释的影响力
📌 工作参考价值
- 多平台竞争场景的接入设计：当业务涉及跨域或多个供应商时，可借鉴“先统一查询再跨平台排名”取代用户预选平台，将竞争提前至推荐候选池构建阶段，扩大用户触及面。
- 注意力约束下的展位策略：在用户代理短列表容量固定时，增加候选平台数量会加剧头部位置竞争，单纯扩展曝光槽位主要填充低排位，业务上应聚焦 Top-1 曝光效果的优化而非盲目增加推荐位。
- 推荐解释的博弈与校准：平台给出的推荐理由会成为竞争手段，需建立基于用户事后反馈的声誉记录（如点击后满意度），在后续排序中校准平台解释权重，抑制浮夸话术，这一局部声誉机制可直接嵌入现有排序模型的上下文特征。
- 模拟实验设计方法：采用真实交互历史重构购物请求、保留目标物品做客观参照，并以 LLM 模拟用户决策与反馈闭环，能低成本评估推荐市场规则的变化效果，适合快速迭代推荐策略原型。
动机
传统推荐在用户进入平台后发生，平台控制候选池与排序。LLM 驱动的用户代理改变了这一范式：用户提出需求后，代理跨平台查询，平台竞争用户注意力，形成“代理推荐市场”。这种结构引发三个新问题：访问（谁有机会竞争）、注意力（如何分配有限曝光）与问责（平台推荐理由能否被事后验证约束）。
方法关键点
- 构建受控 LLM 测试床，使用 Amazon Reviews 中三个品类（乐器、电子游戏、运动户外）的真实交互历史，将用户最后一次高评分交互作为目标商品，并用之前历史重构购物请求。
- 市场交互分为四步：① 代理生成结构化需求；② 平台从自身目录检索一个商品并附带按预设策略（严格、平衡、夸张）生成的解释；③ 代理综合所有平台提案形成容量为 K 的跨平台短列表；④ 用户（模拟）基于短列表做出购买决策，并可留下反馈形成平台声誉记录。
- 对比两种市场条件：平台中心（用户随机进入一个平台，获得 K 个推荐）与用户代理中介（查询所有平台并挑选 K 个）。重点分析目标商品在候选池出现、进入短列表、获得 Top-1 和最终购买的阶段转化。
- 引入局部声誉机制（LocalRep）：用户代理保留每个平台过去推荐解释是否与实际购买体验一致的记录，未来排序时据此校准当前解释的置信度；NoRep 则不使用历史记录。
关键实验结果
- 跨平台查询使目标商品进入候选池的比例从约 20% 升至约 90%，购买率提升至 4.2–4.8 倍，增幅主要来自上游访问拓宽。
- 随着竞争平台数从 6 增到 24，目标出现率上升 8 个百分点，但短列表入围与购买率均下降约 13 个百分点——访问扩大反而加剧注意力瓶颈。短列表容量从 1 增至 6 大幅提高目标入围率（+37.7 个百分点），但 Top-1 与购买率几乎不变，新增展位多为低排位曝光。
- 在无历史记录时（NoRep），夸张解释平台占据 73–78% 的 Top-1 选择；启用 LocalRep 后，夸张份额降至 36–41%，目标购买率提高 2.3–5.8 个百分点，注意力被重新分配给解释更可靠的平台。
- 声誉共享实验表明，跨用户汇聚反馈仅加快早期注意力校准，最终购买率在不同记忆范围下差异小于 1.2 个百分点，局部历史已够用。
核心结论
用户代理不仅是一个更大的排序器，其查询范围、短列表容量与反馈规则共同决定了谁能竞争、注意力如何分配、平台解释如何被信任。代理推荐应把访问、注意力与问责作为联合机制设计问题。