論文の概要: Ocean4Rec: Offline LLM-Derived OCEAN Profiles for Request-Time VOD Reranking
- arxiv url: http://arxiv.org/abs/2605.27429v1
- Date: Fri, 22 May 2026 04:04:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-28 17:38:55.262596
- Title: Ocean4Rec: Offline LLM-Derived OCEAN Profiles for Request-Time VOD Reranking
- Title（参考訳）: Ocean4Rec: リクエスト時間VODのオフラインLLM-Derived OCEANプロファイル
- Authors: Wonkyun Kim, Sehyun Bae, Kwanki Ahn, Mungyu Bae, Saeun Choi, Soyeon You, Chandra Prabhakar, Sehyun Kim,
- Abstract要約: コンテンツメタデータからアイテムOCEANプロファイルをオフラインで生成するために,LLMをオフラインでのみ使用するリグレード層であるOceo4Recを提案する。
アイテムはオープンネス、コンサイエンスネス、エクストラバージョン、アグレタブルネス、ニューロシズムスコアにマップされ、ユーザプロファイルは、最近クリックされたアイテムとディープリンクされたアイテムのタイムデケイドアグリゲーションによって構築される。
匿名化されたSamsung Smart TV VODログでは、Top1000の一時的なオフライン評価が、Ocean Base+Recency以外のより強力な注文よりも、Ocean4RecがNDCG@20を改善していることを示している。
- 参考スコア（独自算出の注目度）: 0.09029202068787741
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Industrial video-on-demand (VOD) recommenders need richer content understanding, but LLM-as-reranker designs repeat prompt construction, token generation, model invocation, output parsing, and fallback handling for each request. In high-volume latency-sensitive services, these request-time operations complicate throughput planning, tail-latency control, capacity isolation, and predictable operation. This paper presents Ocean4Rec, a reranking layer that uses an LLM only offline to materialize item OCEAN profiles from content metadata. Items are mapped into Openness, Conscientiousness, Extraversion, Agreeableness, and Neuroticism scores, while user profiles are built by time-decayed aggregation of recently clicked and deep-linked items in the same five-dimensional space. At request time, Ocean4Rec joins precomputed item profiles, user profiles, base recommender scores, and catalog recency, then performs numeric reranking without an LLM call. On anonymized Samsung Smart TV VOD logs, same-candidate Top1000 temporal-holdout offline evaluations show that Ocean4Rec improves NDCG@20 over a stronger non-OCEAN Base+Recency ordering by 7.6% for an NCF generator and 61.5% for a LightGCN generator. HR@20 is inconclusive for NCF and improves by 67.3% for LightGCN, reflecting sparse exact-item replay labels and the strength of recency as an industrial baseline. The result should be read as offline replay evidence for a bounded auxiliary content-taste feature that preserves the deployability advantage of a request-time-LLM-free serving path.
- Abstract（参考訳）: 産業用ビデオオンデマンド(VOD)レコメンダは、よりリッチなコンテンツ理解を必要とするが、LLM-as-rerankerの設計では、各要求に対して、プロンプトの構築、トークン生成、モデル呼び出し、出力解析、フォールバック処理を繰り返す。
高ボリュームのレイテンシに敏感なサービスでは、これらの要求時の操作はスループット計画、テールレイテンシ制御、キャパシティアイソレーション、予測可能な操作を複雑にします。
コンテンツメタデータからアイテムOCEANプロファイルをオフラインで生成するために,LLMをオフラインでのみ使用するリグレード層であるOceo4Recを提案する。
アイテムはオープンネス、コンサイエンスネス、エクストラバージョン、アグレタブルネス、ニューロシズムのスコアにマップされ、ユーザプロファイルは、最近クリックされたアイテムとディープリンクされたアイテムを同じ5次元空間でタイムデケイドに集約することで構築される。
リクエスト時に、Ocean4Recは事前に計算されたアイテムプロファイル、ユーザプロファイル、ベースレコメンデータスコア、カタログのリカレンシに加わり、LLMコールなしで数値リランクを実行する。
匿名化されたSamsung Smart TV VODログでは、Top1000の時間的ホールアウトのオフライン評価では、Ocean4RecはNDCG@20を改善し、NCFジェネレータでは7.6%、LightGCNジェネレータでは61.5%、非Ocean Base+Recencyオーダーでは7.6%向上している。
HR@20 は NCF では決定的ではなく、LightGCN では67.3%向上し、細かな正確なリプレイラベルと工業ベースラインとしての信頼性の強さを反映している。
結果は、リクエスト時LLMフリーサービスパスのデプロイ可能性の利点を保ちながら、バウンダリされたコンテンツテイスト機能に対するオフラインのリプレイエビデンスとして読み取るべきである。
関連論文リスト
- Prism-Reranker: Beyond Relevance Scoring -- Jointly Producing Contributions and Evidence for Agentic Retrieval [0.0]
Qwen3.5上に4つのサイズ(0.8B, 2B, 4B, 9B)で構築されたリランカーモデルのファミリーであるPrism-Rerankerを紹介する。
標準のye/no関連判断に加えて、評決がYesであるたびに、モデルはドキュメントがクエリをどのように助けるかを要約したコントリビューションステートメントを発行する。
同じレシピが既存のLCMベースのリランカーを拡張し、Qwen3-Reranker-4Bのコントリビューションとエビデンス機能を強化している。
論文 参考訳（メタデータ） (2026-04-26T14:28:48Z) - Align Documents to Questions: Question-Oriented Document Rewriting for Retrieval-Augmented Generation [51.55755193937205]
提案するQREAMは,検索した文書を事実を保存しながら質問指向のスタイルで整列するスタイル制御リライタである。
本フレームワークは,(1) 反復的書き換え探索にスタイリスティックシードを用いたQREAM-ICL,(2) ICL出力から抽出した軽量学生モデルQREAM-FTの2段階からなる。
論文 参考訳（メタデータ） (2026-04-19T08:39:21Z) - One Model Is Enough: Native Retrieval Embeddings from LLM Agent Hidden States [5.647839536820347]
本稿では,隠れ状態を直接埋め込み空間にマッピングする軽量プロジェクションヘッドを提案する。
QReCCの会話型検索ベンチマークの実験では、標準生成コードパイプラインと比較して、Recall@10とMRR@10が競合している。
論文 参考訳（メタデータ） (2026-03-09T14:25:35Z) - Speeding up Speculative Decoding via Sequential Approximate Verification [7.754712828900729]
投機的復号法 (SD) はLarge Language Models (LLM) を用いた高速推論手法である。
本稿では,SPRINTERを提案する。SPRINTERは,LLMから生成されたトークンが目標のLLMに受け入れられるかどうかを予測するために訓練された,低複雑さの検証器である。
逐次近似検証を行うことで、SPRINTERは目標のLSMによる検証を必要とせず、トークンが受け入れられないと判断された場合にのみ呼び出される。
論文 参考訳（メタデータ） (2025-02-06T23:10:53Z) - Efficient Inference for Large Language Model-based Generative Recommendation [78.38878421030522]
LLM(Large Language Model)ベースの生成レコメンデーションは目覚ましい成功を収めた。
ジェネレーティブレコメンデーションにSD(Speculative Decoding)を適用すると、トップKアイテムを生成する必要があるため、ユニークな課題が提示される。
我々は,厳密なトップK検証の下でトップKアライメントを最適化する AtSpeed-S というアライメントフレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-07T16:23:36Z) - Efficiency Unleashed: Inference Acceleration for LLM-based Recommender Systems with Speculative Decoding [61.45448947483328]
LLMベースのレコメンダシステム(LASER)の投機的復号化によるロスレス高速化について紹介する。
LASERは、検索効率を高めるためのカスタマイズされた検索プールと、ドラフトトークンの受け入れ率を改善するための緩和検証を備えている。
LASERは公開データセットの3～5倍のスピードアップを実現し、オンラインA/Bテスト中に約67%の計算リソースを節約する。
論文 参考訳（メタデータ） (2024-08-11T02:31:13Z) - Beyond the Turn-Based Game: Enabling Real-Time Conversations with Duplex Models [66.24055500785657]
従来のターンベースのチャットシステムは、ユーザが応答を生成している間に、システムが言葉で対話することを防ぐ。
これらの制限を克服するため,既存のLCMをユーザを聴きながら出力を生成し,ユーザに対して即時フィードバックを提供する。
クエリとレスポンスの時間スライスを交互に行うデータセットを構築し、インスタントインタラクションにおける典型的なフィードバックタイプをカバーする。
論文 参考訳（メタデータ） (2024-06-22T03:20:10Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。