零售推荐系统通常只关注相关性排序，但零售商更关心贡献利润：提升销售（upsell）只获得被替换商品的利润差额，交叉销售（cross‑sell）则获得完整利润。我们提出 joint stochastic basket editing（联合随机篮子编辑）模型：一个策略为已有购物篮同时选择替换商品和新增商品的报价，并通过展示‑接受‑联合接受三个响应渠道对其进行价值评估，目标是最大化期望的增量贡献利润。该模型首次将提升和交叉销售的响应耦合在一起，之前的研究只能视为耦合为零的特例。
在五个公开篮子数据集上进行的基于真实数据校准的仿真表明，StoBasket 能捕获几乎全部可实现的报价利润：在所有默认价格设置下误差不超过 0.5%，即使真实响应超出模型假设范围，误差也不超过 0.7%。正确的经济核算带来最大收益：仅使用利润加权的流行度会导致最多 11% 的可实现利润流失，而已有的下一篮子推荐系统会损失 11%‑52%。在 Instacart 数据上，联合选择额外贡献 10.2% 的可实现利润，因为高价套餐和附加商品之间关联紧密。
当报价只能一起支付时，常用启发式方法损失高达 64%，而精确搜索仍保持在 0.5% 以内。针对结构化子类，我们给出何时分阶段策略失效的判定，并提供一个精确优化器，在所有测试的真实篮子上中位耗时 0.13 ms，最坏不超过 111 ms。利润增长在预测准确度提升之前就已饱和：使用 5,000 条随机会话训练的结构化预测器即可达到完美预测的 0.06% 误差，而不使用任何信号的模型则损失 38%。同样的估计还能用于决策感知的市场篮子分析，其计算成本不随关联阶数增长。
点评