論文の概要: An LLM-powered Agentic Recommendation System for Connected TV Content Discovery

• arxiv url: http://arxiv.org/abs/2607.09988v1
• Date: Fri, 10 Jul 2026 21:28:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.270601
• Title: An LLM-powered Agentic Recommendation System for Connected TV Content Discovery
• Title（参考訳）: テレビコンテンツ発見のためのLCMを利用したエージェント推薦システム
• Authors: Lei Shi, Di Wang, Harry Tran, Helsing Xu, Yuchen Lu, Dhara Ghodasara, Wilson Chaney, Xueting Liao, Jerry Yu, Huayu Ding, Mingze Gao, Shike Mei, Shuo Tang, Zhe Zhang, Jianming He, Abhishek Kumar, Haotian Wu, Hamed Firooz, Li Li,
• Abstract要約: 本稿では,コネクテッドTV(CTV)コンテンツ発見のためのエージェントレコメンデーションシステムを提案する。 本システムは,大規模言語モデルの推論機能を活用し,多様な信号を自然に処理し,合成する。
• 参考スコア（独自算出の注目度）: 21.486536237645367
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recommendation systems, from traditional multi-stage to recent unified generative architectures, face challenges in incorporating diverse contextual signals, such as trending topics, breaking news, cultural events, and cross-surface user activities, into their ranking pipelines. These systems are designed to consume structured behavioral signals with consistent schemas, and lack the reasoning capability to naturally process unstructured or heterogeneously formatted contextual information. Incorporating such signals typically requires feature engineering, bespoke data pipelines, and carefully tuned heuristics. In this paper, we present an LLM-powered agentic recommendation system designed for Connected TV (CTV) content discovery that addresses these limitations. Our system leverages the reasoning capabilities of large language models to naturally process and synthesize diverse signals across varying schemas and structures, eliminating much of the manual integration inherent in traditional ranking and retrieval systems. Recognizing that current LLM-based solutions still fall short of traditional machine learning models in several recommendation tasks, including retrieval efficiency, personalization precision, and scalability, we adopt an agentic architecture that orchestrates specialized components, allowing each sub-task to be handled by the most suitable method, whether LLM-based or traditional ML. The main contribution of this work is our engineering approach to successfully overcoming the practical limitations of enabling LLM for recommendation, particularly inference latency. We share insights from our work and discuss the trade-offs and lessons learned in building a hybrid system that combines the flexibility of LLMs with the performance of established recommendation techniques.
• Abstract（参考訳）: 従来のマルチステージから最近の統合生成アーキテクチャまで、推奨システムは、トレンドトピック、ニュースの速報、文化イベント、ユーザー活動などの多様なコンテキスト信号をランキングパイプラインに組み込む際の課題に直面している。 これらのシステムは、一貫したスキーマで構造化された振舞い信号を消費するように設計されており、非構造化または不均一にフォーマットされたコンテキスト情報を自然に処理する推論能力が欠如している。 このようなシグナルを組み込むには、通常、機能エンジニアリング、データパイプライン、慎重に調整されたヒューリスティックが必要です。 本稿では,これらの制約に対処するコネクテッドTV(CTV)コンテンツ発見のためのLCMによるエージェントレコメンデーションシステムを提案する。 我々のシステムは、大規模言語モデルの推論機能を活用し、様々なスキーマや構造をまたいだ多様な信号を自然に処理し、合成し、従来のランキングや検索システムに固有の手動統合の多くを排除します。 現在のLLMベースのソリューションは、検索効率、パーソナライズ精度、スケーラビリティなど、いくつかの推奨タスクにおいて、従来の機械学習モデルにはまだ不足していることを認識して、特殊コンポーネントを編成するエージェントアーキテクチャを採用します。 この研究の主な貢献は、LLMを推奨、特に推論遅延に有効化するという現実的な制限を克服する、私たちのエンジニアリングアプローチです。 我々は,LLMの柔軟性と確立されたレコメンデーション技術の性能を組み合わせたハイブリッドシステムの構築において得られたトレードオフと教訓について,作業から得た知見を共有し,議論する。

関連論文リスト

• SignalLLM: A General-Purpose LLM Agent Framework for Automated Signal Processing [36.22027224597969]
  大規模言語モデル(LLM)は、強力な推論能力、幅広い汎用知識、文脈内学習、モーダル間伝達能力を提供する。 本稿では,SPタスクのための汎用LLMベースのエージェントフレームワークであるSignalLLMを紹介する。 コミュニケーションとセンシングにおける5つの代表的なタスクを通して,SignalLLMの汎用性と有効性を示す。
  論文  参考訳（メタデータ） (2025-09-21T18:54:54Z)
• Discrete Tokenization for Multimodal LLMs: A Comprehensive Survey [69.45421620616486]
  本研究は、大規模言語モデル(LLM)用に設計された離散トークン化手法の最初の構造的分類と解析である。 古典的および近代的なパラダイムにまたがる8つの代表的なVQ変種を分類し、アルゴリズムの原理を分析し、力学を訓練し、LLMパイプラインとの統合に挑戦する。 コードブックの崩壊、不安定な勾配推定、モダリティ固有の符号化制約など、重要な課題を特定する。
  論文  参考訳（メタデータ） (2025-07-21T10:52:14Z)
• A Comprehensive Review on Harnessing Large Language Models to Overcome Recommender System Challenges [5.750235776275005]
  大規模言語モデル(LLM)は、レコメンデータシステムにおいて重要な課題に取り組むために利用することができる。 LLMはパーソナライズ、セマンティックアライメント、解釈可能性を高める。 LLMはゼロショットと少数ショットの推論を可能にし、コールドスタートとロングテールのシナリオでシステムが効果的に動作できるようにする。
  論文  参考訳（メタデータ） (2025-07-17T06:03:57Z)
• Recommender Systems in the Era of Large Language Models (LLMs) [62.0129013439038]
  大規模言語モデル(LLM)は自然言語処理(NLP)と人工知能(AI)の分野に革命をもたらした。 我々は, プレトレーニング, ファインチューニング, プロンプティングなどの様々な側面から, LLM を利用したレコメンデータシステムの総合的なレビューを行う。
  論文  参考訳（メタデータ） (2023-07-05T06:03:40Z)
• A Survey on Large Language Models for Recommendation [77.91673633328148]
  大規模言語モデル(LLM)は自然言語処理(NLP)の分野で強力なツールとして登場した。 本調査では,これらのモデルを2つの主要なパラダイム(DLLM4Rec)とジェネレーティブLSM4Rec(GLLM4Rec)に分類する。
  論文  参考訳（メタデータ） (2023-05-31T13:51:26Z)

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。