Fugu-MT 論文翻訳(概要): GenRec: An LLM-Backed Recommendation Ranker at Netflix

論文の概要: GenRec: An LLM-Backed Recommendation Ranker at Netflix

arxiv url: http://arxiv.org/abs/2608.10257v1
Date: Mon, 10 Aug 2026 21:43:14 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-12 19:14:45.827064
Title: GenRec: An LLM-Backed Recommendation Ranker at Netflix
Title（参考訳）: GenRec: LLMが支援するNetflixのレコメンデーションランカ
Abstract要約: 大規模言語モデル(LLM)は、ユーザ、コンテンツ、コンテキストのよりリッチなモデリングを自然言語で直接可能にすることで、レコメンデーションシステムを再構築している。 Netflixでは、社内のLLM上に構築されたLLMベースのレコメンデーションローダであるGenRecを通じて、この方向を模索しています。フェーズ1はオープンソースLLMをNetflixのデータに適用し、カタログとメンバーの振る舞いを深く理解し、コンテンツ理解や後続のインストラクションといった能力のバランスをとる。第2段階この基礎モデルを推奨基準付き特定データ、ラベル、報酬信号で訓練し、ランク付け者とビジネス要件と長期の整合を図る
参考スコア（独自算出の注目度）: 8.573497345301398
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Large language models (LLMs) are reshaping recommender systems by enabling richer modeling of users, content, and context directly in natural language. At Netflix, we are exploring this direction through GenRec, an LLM-backed recommendation ranker built on top of an in-house foundational LLM. GenRec follows a two-phase framework: Phase 1 adapts an open-source LLM to Netflix data, developing deep understanding of the catalog and member behavior while balancing capabilities such as content understanding and instruction following. Phase 2 post-trains this foundation model with recommendation-ranking specific data, labels, and reward signals, aiming to align the ranker with business requirements and long-term member satisfaction. This paper focuses on Phase 2 and the transition from a traditional discriminative ranker with thousands of engineered features to an LLM-backed ranker driven by verbalized user histories and context. We describe our design for input verbalization and context engineering, post-training data construction, reward integration, model architecture, and a cost-constrained serving design based on a prefill-only inference approach. We report results from a large-scale A/B test comparing GenRec against the current production ranker model, where we show that a GenRec model trained with substantially fewer Phase-2 labeled training examples and input signals can achieve statistically significant gains in offline and online metrics. We discuss how LLM-backed recommenders could shift the recommendation paradigm: from feature engineering to context engineering, and from bespoke architectures to shared foundation backbones. We also outline practical lessons for serving such systems under real-world resource constraints.
Abstract（参考訳）: 大規模言語モデル(LLM)は、ユーザ、コンテンツ、コンテキストのよりリッチなモデリングを自然言語で直接可能にすることで、レコメンデーションシステムを再構築している。 Netflixでは、社内のLLM上に構築されたLLMベースのレコメンデーションローダであるGenRecを通じて、この方向を模索しています。 GenRecは2段階のフレームワークに従っている。フェーズ1はオープンソースのLLMをNetflixのデータに適用し、カタログとメンバーの振る舞いを深く理解し、コンテンツ理解や後続のインストラクションといった能力のバランスをとる。フェーズ2は、特定のデータ、ラベル、報酬のシグナルを推奨ランク付けし、ローダをビジネス要件と長期的なメンバー満足度に合わせることを目的として、この基礎モデルを後トレーニングします。本稿では, 言語化されたユーザ履歴と文脈を駆使した, 数千の工学的特徴を持つ従来の差別的ランク付け器から LLM 支援のランク付け器への移行について述べる。本稿では,入力言語化と文脈工学,学習後データ構築,報酬統合,モデルアーキテクチャ,およびプリフィルのみの推論アプローチに基づくコスト制約付きサービス設計について述べる。我々は、GenRecを現在の生産ランキングモデルと比較した大規模A/Bテストの結果を報告する。 LLMが支援する推奨者は、機能エンジニアリングからコンテキストエンジニアリングへ、そして振る舞いのアーキテクチャから共通のファンデーションバックボーンへと、どのように推奨パラダイムをシフトできるかについて議論する。また,実世界の資源制約下でそのようなシステムを実現するための実践的な教訓を概説する。

関連論文リスト

Rank-GRPO: Training LLM-based Conversational Recommender Systems with Reinforcement Learning [70.6126069527741]
ConvRec-R1は会話レコメンデーションシステムのエンドツーエンドトレーニングのための2段階のフレームワークである。ステージ1では,Remap-Reflect-Adjustパイプラインを用いた行動閉鎖データセットを構築した。ステージ2では,グループ相対政策最適化の原則的拡張である Rank-GRPO を提案する。
論文参考訳（メタデータ） (2025-10-23T02:56:00Z)
When Transformers Meet Recommenders: Integrating Self-Attentive Sequential Recommendation with Fine-Tuned LLMs [0.0]
SASRecLLMは、Low-Rank Adaptation (LoRA)を使用して微調整されたLLMで、SASRecをコラボレーティブエンコーダとして統合する新しいフレームワークである。複数のデータセットの実験によると、SASRecLLMは、コールドスタートとウォームスタートの両方のシナリオにおいて、強いベースラインよりも堅牢で一貫性のある改善を実現している。
論文参考訳（メタデータ） (2025-07-08T07:26:55Z)
LLM2Rec: Large Language Models Are Powerful Embedding Models for Sequential Recommendation [49.78419076215196]
シーケンスレコメンデーションは、類似したユーザやアイテムの履歴行動から協調フィルタリング(CF)信号をモデル化することで、ユーザの将来のインタラクションを予測することを目的としている。従来のシーケンシャルなレコメンダは、高次の共起パターンを通じてCF信号をキャプチャするIDベースの埋め込みに依存している。大規模言語モデル(LLM)の最近の進歩は、テキスト記述からアイテム表現を導出するテキストベースのレコメンデーションアプローチを動機付けている。理想的な埋め込みモデルは、ドメイン内およびドメイン外のレコメンデーションパフォーマンスを改善するために、CF信号とリッチなセマンティック表現をシームレスに統合すべきである、と我々は主張する。
論文参考訳（メタデータ） (2025-06-16T13:27:06Z)
LlamaRec-LKG-RAG: A Single-Pass, Learnable Knowledge Graph-RAG Framework for LLM-Based Ranking [0.0]
LlamaRec-LKG-RAGは、パーソナライズされた知識グラフコンテキストをレコメンデーションランキングに統合する、新しい単一パスでエンドツーエンドのトレーニング可能なフレームワークである。提案手法はLlamaRecアーキテクチャを拡張し,ユーザプライオリティを動的に識別する軽量なモジュールを組み込むことで実現した。 ML-100KとAmazon Beautyデータセットの実験では、主要なランキングメトリクス間でLlamaRecよりも一貫性があり、重要な改善が示されている。
論文参考訳（メタデータ） (2025-06-09T05:52:03Z)
DeepRec: Towards a Deep Dive Into the Item Space with Large Language Model Based Recommendation [83.21140655248624]
大型言語モデル (LLM) はレコメンダシステム (RS) に導入された。本稿では, LLM と TRM の自律的マルチターンインタラクションを実現する新しい RS である DeepRec を提案する。公開データセットの実験では、DeepRecは従来のものとLLMベースのベースラインの両方で大幅にパフォーマンスが向上している。
論文参考訳（メタデータ） (2025-05-22T15:49:38Z)
Self-Play Fine-Tuning Converts Weak Language Models to Strong Language Models [52.98743860365194]
本稿では,SPIN(Self-Play fIne-tuNing)と呼ばれるファインチューニング手法を提案する。 SPINの中心には自己再生機構があり、LLMは自身のインスタンスと対戦することでその能力を洗練させる。このことは、自己プレイの約束に光を当て、熟練した相手を必要とせずに、LSMにおける人間レベルのパフォーマンスの達成を可能にする。
論文参考訳（メタデータ） (2024-01-02T18:53:13Z)
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)
On Learning to Summarize with Large Language Models as References [101.79795027550959]
大型言語モデル (LLM) は、一般的な要約データセットにおける元の参照要約よりも人間のアノテーションに好まれる。より小さなテキスト要約モデルに対するLLM-as-reference学習設定について検討し,その性能が大幅に向上するかどうかを検討する。
論文参考訳（メタデータ） (2023-05-23T16:56:04Z)
Large Language Models are Zero-Shot Rankers for Recommender Systems [76.02500186203929]
本研究では,レコメンダシステムのランキングモデルとして機能する大規模言語モデル(LLM)の能力を検討することを目的とする。 LLMにはゼロショットランキング能力があるが、歴史的相互作用の順序を理解するのに苦労していることを示す。これらの問題は、特別に設計されたプロンプトとブートストラップ戦略によって緩和可能であることを実証する。
論文参考訳（メタデータ） (2023-05-15T17:57:39Z)

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。