論文の概要: Explainable Recommendations at Scale: LLM Rationales for YouTube Music Artist Discovery

• arxiv url: http://arxiv.org/abs/2609.23877v1
• Date: Sun, 20 Sep 2026 21:25:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:03.954068
• Title: Explainable Recommendations at Scale: LLM Rationales for YouTube Music Artist Discovery
• Title（参考訳）: LLM Rationales for YouTube Music Artist Discovery
• Abstract要約: 本稿では、レイテンシを損なうことなく探索をスケールする、分離されたレコメンデーションアーキテクチャの業界ケーススタディを示す。 LLMが支援するレコメンデーションとこれらの説明的根拠を組み合わせることで、新しいコンテンツに対する信頼障壁が大幅に減少することを示す。
• 参考スコア（独自算出の注目度）: 5.29185640753609
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modern music streaming platforms face a persistent tradeoff: exploiting familiar content versus driving the exploration of novel items. While users frequently desire discovery, they hesitate to select unknown artists over proven favorites. Providing transparent, natural language rationales that explain why an unexplored item is recommended lowers this barrier. However, while Large Language Models (LLMs) excel at this nuanced explainability, their real-time deployment is severely bottlenecked by prohibitive inference costs and computational overhead. In this paper, we present an industry case study of a decoupled recommendation architecture that successfully scales exploration without compromising latency. Our system isolates LLM inference asynchronously offline, pre-computing personalized candidate pools of undiscovered artists alongside tailored rationales. Large-scale online A/B experiments validate our design. We demonstrate that combining LLM-backed recommendations with these explanatory rationales significantly reduces the trust barrier for new content, yielding statistically significant improvements in both user exploration and overall engagement on the discovery surfaces.
• Abstract（参考訳）: 現代の音楽ストリーミングプラットフォームは、慣れ親しんだコンテンツを悪用し、新しいアイテムの探索を進めるという、永続的なトレードオフに直面している。 ユーザーはしばしば発見を望んでいるが、証明されたお気に入りよりも未知のアーティストを選ぶことをためらっている。 探索されていない項目を推奨する理由を説明する透明で自然言語的な根拠を提供することは、この障壁を下げます。 しかし、Large Language Models (LLMs)は、この微妙な説明可能性に優れていますが、リアルタイムのデプロイメントは、推論のコストと計算オーバーヘッドによって著しくボトルネックになっています。 本稿では,遅延を伴わずに探索を成功させる非結合型レコメンデーションアーキテクチャの産業ケーススタディを提案する。 本システムでは,LLM推論を非同期にオフラインに分離し,未発見アーティストのパーソナライズされた候補プールを最適化する。 大規模なオンラインA/B実験は、我々の設計を検証する。 これらの説明的根拠とLCMが支援するレコメンデーションを組み合わせることで、新しいコンテンツの信頼障壁を著しく低減し、ユーザの探索と発見面への全体的なエンゲージメントの両方において統計的に有意な改善をもたらすことが実証された。

関連論文リスト

• LLM-Based User Personas for Recommendations at Scale [16.740779038125524]
  大規模言語モデル(LLM)は、世界知識と推論能力を通じてレコメンデーションシステムを強化する前例のない可能性を提供する。 既存のアプローチは、しばしば構造化IDやオフライン処理、セマンティック・リッチネスの制限、リアルタイム適応性、ユーザ対面の解釈可能性に頼っている。 この作業は、高度なセマンティック理解と産業規模のレコメンデーションのギャップを埋め、よりダイナミックで説明可能な、パーソナライズされた体験を満たすための道を開く。
  論文  参考訳（メタデータ） (2026-06-10T15:18:32Z)
• LaSER: Internalizing Explicit Reasoning into Latent Space for Dense Retrieval [74.72139580745511]
  LaSERは、レトリバーの潜在空間に明示的な推論を内部化する、新しい自己蒸留フレームワークである。 提案手法は, 明示的なCoTパイプラインの推論深度と, 標準的な高密度検索器の推論効率をうまく組み合わせる。
  論文  参考訳（メタデータ） (2026-03-02T04:11:18Z)
• Towards Sample-Efficient and Stable Reinforcement Learning for LLM-based Recommendation [56.92367609590823]
  Long Chain-of-Thought (Long CoT)推論は、Large Language Models (LLMs)において有望であることを示している。 我々はLong CoTが本質的にシーケンシャルなレコメンデーションドメインに不適合であると主張している。 提案するRISER(Reinforced Item Space Exploration framework for Recommendation)を提案する。
  論文  参考訳（メタデータ） (2026-01-31T10:02:43Z)
• From What to Why: Thought-Space Recommendation with Small Language Models [2.134948383299948]
  大規模言語モデル(LLM)は推論の強化を通じて高度なレコメンデーション機能を備えているが、実際のデプロイメントには大きな課題がある。 SLM(Small Language Models)は効率的な代替手段を提供するが、推奨する推論機能は未検討のままである。 PULSE(Preference Understanding by Latent Semantic Embeddings)は,SLM生成論理をディレクター学習信号として扱うフレームワークである。
  論文  参考訳（メタデータ） (2025-10-08T11:22:26Z)
• Efficient and Deployable Knowledge Infusion for Open-World Recommendations via Large Language Models [53.547190001324665]
  大規模言語モデル(LLM)からユーザとアイテムに関する2種類の外部知識を取得するためのREKIを提案する。 個別の知識抽出と個別の知識抽出を,異なるシナリオのスケールに合わせて開発し,オフラインのリソース消費を効果的に削減する。 実験によると、REKIは最先端のベースラインより優れており、多くの推奨アルゴリズムやタスクと互換性がある。
  論文  参考訳（メタデータ） (2024-08-20T03:45:24Z)
• LEARN: Knowledge Adaptation from Large Language Model to Recommendation for Practical Industrial Application [54.984348122105516]
  Llm-driven knowlEdge Adaptive RecommeNdation (LEARN)フレームワークは、オープンワールドの知識と協調的な知識をシナジする。 オープンワールドの知識と協調的な知識を相乗化するLlm-driven knowlEdge Adaptive RecommeNdation (LEARN) フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-07T04:00:30Z)
• Deep Bayesian Bandits: Exploring in Online Personalized Recommendations [4.845576821204241]
  我々は、表示広告レコメンデータを文脈的盗賊として定式化する。 クリックスルーレートの後部分布からのサンプリングを必要とする探索手法を実装した。 提案したディープベイズ帯域幅アルゴリズムをオフラインシミュレーションとオンラインAB設定で検証した。
  論文  参考訳（メタデータ） (2020-08-03T08:58:18Z)

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。