🤖 AI

Ocean4Rec: Offline LLM-Derived OCEAN Profiles for Request-Time VOD Reranking

Ocean4Rec ist ein offlines LLM-gesteuertes Neu-Ranking-Framework, das OCEAN-Persönlichkeitsprofile für VOD-Inhalte und Nutzer vorab berechnet, um ein effizientes, anfragezeitliches LLM-freies Neu-Ranking zu ermöglichen, das die Metriken NDCG@20 und HR@20 in Samsung Smart-TV-Protokollen im Vergleich zu starken industriellen Baselines signifikant verbessert.

Ursprüngliche Autoren: Wonkyun Kim, Sehyun Bae, Kwanki Ahn, Mungyu Bae, Saeun Choi, Soyeon You, Chandra Prabhakar, Sehyun Kim

Veröffentlicht 2026-05-28

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Wonkyun Kim, Sehyun Bae, Kwanki Ahn, Mungyu Bae, Saeun Choi, Soyeon You, Chandra Prabhakar, Sehyun Kim

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie betreiben einen massiven Video-Streaming-Dienst, eine Art digitales Netflix für Millionen von Menschen. Sie haben ein Team von „Empfehlern" (Algorithmen), die Filme und Serien vorschlagen. Normalerweise arbeiten diese Systeme in zwei Schritten: Zuerst holen sie sich eine große Liste möglicher Filme (die „Kandidatenliste"), und zweitens sortieren sie diese Liste, um die besten ganz nach oben zu stellen.

Das Problem ist, dass moderne KI (Large Language Models, oder LLMs) zwar hervorragend darin ist zu verstehen, warum ein Film interessant ist, aber es ist auch langsam und teuer, sie jedes Mal um Rat zu fragen, wenn ein Benutzer auf „Aktualisieren" klickt. Das ist so, als würde man einen berühmten Food-Kritiker beauftragen, jedes einzelne Gericht in einem Buffet zu probieren, bevor es einem Kunden serviert wird; das Essen würde kalt werden, und die Rechnung wäre astronomisch.

Ocean4Rec ist eine clevere Lösung von Samsung, die das Beste aus beiden Welten vereint: das tiefe Verständnis einer intelligenten KI, aber die Geschwindigkeit eines Standardcomputers. So funktioniert es, einfach erklärt:

1. Der „Offline-Kritiker" (Die Vorbereitungsphase)

Anstatt die KI in Echtzeit Filme beurteilen zu lassen, nutzt das Team die KI offline (wenn niemand zuschaut).

Die Analogie: Stellen Sie sich ein Team von Experten-Bibliothekaren vor, die in einem ruhigen Raum sitzen und die Zusammenfassungen und Beschreibungen Tausender Filme lesen. Sie schreiben nicht nur eine Rezension; sie weisen jedem Film einen „Persönlichkeits-Score" zu, basierend auf dem OCEAN-Modell (eine bekannte Methode zur Beschreibung menschlicher Persönlichkeiten):
- Offenheit (Ist es kreativ und seltsam?)
- Gewissenhaftigkeit (Ist es strukturiert und diszipliniert?)
- Extrovertiertheit (Ist es laut und gesellig?)
- Verträglichkeit (Ist es warm und freundlich?)
- Neurotizismus (Ist es emotional und intensiv?)
Das Ergebnis: Jeder Film im Katalog erhält eine einfache 5-Zahlen-„Persönlichkeitskarte", die in der Datenbank gespeichert wird. Dies geschieht einmalig, nicht jedes Mal, wenn Sie auf einen Button klicken.

2. Das „Geschmacksprofil des Benutzers" (Die Berechnungsphase)

Wenn Sie eine Show ansehen, fragt das System die KI nicht: „Was mag dieser Benutzer?" Stattdessen schaut es sich die „Persönlichkeitskarten" der Shows an, die Sie kürzlich angeklickt haben.

Die Analogie: Wenn Sie kürzlich drei „offene" und „neurotische" Filme gesehen haben, berechnet das System, dass Ihr aktueller Geschmack eine Mischung aus „Offenheit" und „Neurotizismus" ist. Es erstellt eine einfache 5-Zahlen-„Geschmackskarte für Benutzer" für Sie. Es vergisst ältere Geschmäcker (wie eine verblassende Erinnerung), um sich auf das zu konzentrieren, was Sie jetzt mögen.

3. Der „Schnelle Sortierlauf" (Die Anforderungsphase)

Jetzt, wenn Sie die App öffnen und nach Empfehlungen fragen:

Das System holt sich eine Liste von 1.000 Filmen aus seinem Standard-Schnellalgorithmus.
Es schlägt Ihre „Geschmackskarte für Benutzer" und die „Persönlichkeitskarten der Filme" für diese 1.000 Filme nach.
Es führt einen schnellen mathematischen Check durch: „Passt die Persönlichkeit dieses Films zum aktuellen Geschmack des Benutzers?"
Es fügt zudem einen Bonus für Aktualität hinzu (neuere Filme erhalten einen leichten Schub).
Entscheidend: Es ruft nicht die KI auf. Es führt nur einfache Mathematik mit den vorbereiteten Karten durch.

Warum ist das eine große Sache?

Geschwindigkeit & Stabilität: Da die KI während der eigentlichen Anfrage nicht arbeitet, ist das System unglaublich schnell und stürzt nicht ab, wenn der KI-Server ausgelastet ist. Es ist wie eine vorgekochte Mahlzeit, die bereitsteht, anstatt jedes Mal von Grund auf neu zu kochen, wenn ein Gast eintrifft.
Bessere Empfehlungen: In ihren Tests (unter Verwendung von Samsung Smart-TV-Daten) verbesserte diese Methode die Qualität der Empfehlungen im Vergleich zur reinen Sortierung nach Popularität oder Aktualität erheblich.
- Für eine Art von Algorithmus (NCF) verbesserte sie die „Top-20"-Empfehlungen um etwa 7,6 %.
- Für eine andere Art (LightGCN) verbesserte sie sie um enorme 61,5 %.
Sicherheit: Das System ist als „ausfallsicher" konzipiert. Wenn ein Film keine Persönlichkeitskarte hat (vielleicht fehlte die Beschreibung), ignoriert das System einfach den KI-Teil und zeigt den Film basierend auf seinem Standard-Score an. Es unterbricht niemals das Benutzererlebnis.

Das Fazit

Ocean4Rec ist wie die Einstellung eines klugen Beraters, der das schwere Denken vor der Eröffnung des Geschäfts erledigt, damit das Personal, wenn die Kunden hereinkommen, sie sofort zum perfekten Produkt führen kann, ohne den Berater jedes Mal zurückrufen zu müssen. Es hält die Empfehlungen persönlich und intelligent, aber das System bleibt schnell, günstig und zuverlässig.

Technische Zusammenfassung: Ocean4Rec

Problemstellung

Industrielle Video-on-Demand (VOD)-Empfehlungssysteme benötigen ein reichhaltigeres Inhaltsverständnis, um die Nutzerzufriedenheit zu steigern. Zwar bieten Large Language Models (LLMs) fortschrittliche Schlussfolgerungsfähigkeiten für die Merkmalsextraktion und die Bewertung von Kandidaten, doch die direkte Integration in den Request-Time-Serving-Pfad führt zu erheblichen operativen Herausforderungen. Insbesondere umfasst die LLM-Inferenz pro Anfrage die Erstellung von Prompts, die Token-Generierung, die Modellaufrufe, die Auswertung der Ausgaben sowie die Behandlung von Fallback-Szenarien. In Umgebungen mit hohem Durchsatz und geringer Latenz verkomplizieren diese Operationen die Durchsatzplanung, die Kontrolle der Tail-Latenz, die Kapazitätsisolierung und den vorhersehbaren Systembetrieb. Das Kernproblem besteht darin, wie man LLMAbleitungen für Inhaltsinsights nutzen kann, ohne die Latenz- und Stabilitätsrisiken von Online-LLM-Aufrufen in Kauf zu nehmen.

Methodik: Ocean4Rec

Ocean4Rec schlägt eine Neuordnungs-Schicht vor, die die LLM-Schlussfolgerung vom Online-Serving-Pfad entkoppelt. Das System arbeitet nach dem Prinzip „Offline materialisieren, online bewerten" und nutzt die OCEAN-Persönlichkeitstaxonomie (Offenheit, Gewissenhaftigkeit, Extraversion, Verträglichkeit, Neurotizismus) als schema-geschränkte Inhaltsrepräsentation.

1. Offline-Item-Profilierung

Prozess: Ein LLM (Google Gemini 2.5 Pro) dient als Offline-Annotator zur Verarbeitung von VOD-Metadaten (Titel, Handlung, Beschreibung, Genre).
Ausgabe: Jedes qualifizierte Item wird auf einen fünfdimensionalen Integer-Vektor abgebildet, der OCEAN-Werte darstellt, ergänzt durch einen Konfidenzwert und einen kurzen Begründungstext.
Validierung: Die Pipeline validiert generierte Datensätze auf Format und Wertebereich. Items mit fehlenden Metadaten oder ungültigen LLM-Ausgaben erhalten neutrale Fallback-Profile mit niedriger Konfidenz, wodurch sie weiterhin für den Basis-Empfehlungsalgorithmus qualifiziert bleiben.

2. Nutzer-Geschmacksprofilierung

Konstruktion: Nutzerprofile sind nicht statisch; sie sind dynamische Vektoren, die aus jüngsten impliziten Interaktionen (Klicks, Deep-Links) mit profilierten Items abgeleitet werden.
Aggregation: Der OCEAN-Vektor eines Nutzers ( $z_u$ ) ist ein zeitlich abklingender gewichteter Durchschnitt der OCEAN-Vektoren der konsumierten Items ( $q_i$ ).
Abklingung: Interaktionen werden mittels einer exponentiellen Halbwertszeit-Abklingfunktion gewichtet ( $w_{time}(a) = 0.5^{a/h}$ ), wobei $a$ das Alter der Interaktion in Tagen und $h$ die Halbwertszeit ist (90 Tage in der berichteten Implementierung). Dies erfasst die zeitlichen Dynamiken der Nutzerpräferenzen.

3. Request-Time-Neuordnung

Zum Zeitpunkt des Servings ruft das System eine bewertete Kandidatenliste (Top 1000) aus einem Basis-Generator (z. B. NCF oder LightGCN) ab. Es wird kein LLM aufgerufen. Der Neuordnungswert $S(u, i)$ ist eine lineare Kombination aus drei Komponenten:
$S(u, i) = \alpha B(u, i) + \beta P(u, i) + \gamma R(i)$

$B(u, i)$ : Der Basis-Empfehlungswert (min-max-normalisiert).
$P(u, i)$ : Der OCEAN-Kompatibilitätsterm, berechnet als Pearson-Korrelation zwischen dem Nutzervektor $z_u$ und dem Itemvektor $q_i$ , begrenzt und transformiert auf $[0, 1]$ .
$R(i)$ : Ein Katalog-Rezentrizitätsterm basierend auf dem Alter der Inhaltsveröffentlichung.
Fallback: Wenn ein Nutzer oder Item kein gültiges OCEAN-Profil besitzt, wird das OCEAN-Gewicht ( $\beta$ ) dem Basiswert ( $\alpha$ ) neu zugewiesen, wodurch sichergestellt wird, dass das System graceful auf die Basis-Reihenfolge zurückfällt.

Hauptbeiträge

Der Artikel leistet drei spezifische Beiträge zum RecSys Industry Track:

Offline-LLM-Materialisierungsmuster: Es beschreibt ein Muster zur Integration von LLMAbleiteten OCEAN-Inhaltsprofilen in einen industriellen Neuordner, ohne Request-Time-LLM-Aufrufe zu erfordern, wodurch die Vorhersehbarkeit des Serving-Pfads erhalten bleibt.
Darstellung im selben Raum: Es definiert eine einheitliche Darstellung, bei der Items aus Metadaten profiliert werden und Nutzer durch die zeitlich abklingende Aggregation der konsumierten Itemprofile repräsentiert werden, was eine direkte Kompatibilitätsbewertung ohne erlernte Ausrichtung ermöglicht.
Temporal-Holdout-Evaluation: Es berichtet über same-candidate, temporal-holdout Offline-Evaluationen auf anonymisierten Samsung Smart TV VOD-Logs unter Verwendung von NCF- und LightGCN-Generatoren, wobei alle empirischen Behauptungen auf diese spezifischen Settings beschränkt sind.

Ergebnisse

Die Evaluationen wurden auf anonymisierten Logs aus einer Samsung Smart TV VOD-Umgebung durchgeführt, unter Verwendung eines temporalen Holdouts (Trainingsdaten bis zum 31. März 2026; Evaluation vom 1. bis 27. April 2026).

Leistung im Vergleich zu Baselines:
- NCF-Generator: Ocean4Rec verbesserte NDCG@20 um 7,6 % gegenüber der stärkeren „Base+Recency"-Baseline. Die Verbesserungen bei HR@20 waren nicht eindeutig.
- LightGCN-Generator: Ocean4Rec verbesserte NDCG@20 um 61,5 % gegenüber „Base+Recency" und HR@20 um 67,3 %.
Komponentenanalyse: Die Komponente „Base+OCEAN" allein zeigte gemischte Ergebnisse (Verbesserung von HR, aber teilweise Verschlechterung von NDCG/MRR im Vergleich zu Base), was darauf hindeutet, dass OCEAN am effektivsten ist, wenn es mit sowohl Basis-Relevanz- als auch Rezentrizitätssignalen kombiniert wird.
Sekundärdiagnostik: Vergleiche mit einer reinen Metadaten-Implementierung von Persona4Rec auf öffentlichen Datensätzen (Amazon-Books, Yelp) zeigten konkurrenzfähige Ergebnisse, wobei der Artikel festhält, dass dies aufgrund architektonischer Unterschiede (z. B. fehlende Fusion von Basiswerten in der Diagnostik) eher als Sanity Checks denn als direkte Head-to-Head-Baselines zu verstehen sind.

Bedeutung und Behauptungen

Der Artikel positioniert Ocean4Rec nicht als universelle Lösung, sondern als begrenztes auxiliares Inhalts-Geschmacksmerkmal, das die Vorteile der Deployability eines request-time-LLM-freien Serving-Pfads bewahrt.

Operative Stabilität: Die primäre Bedeutung liegt architektonisch: Sie entfernt die Variabilität der Prompt-Erstellung, Token-Generierung und Modellaufrufe aus dem kritischen Serving-Loop und gewährleistet vorhersehbare Latenz und Durchsatz.
Interpretierbarkeit: Im Gegensatz zu dichten Embeddings bietet der fünfdimensionale OCEAN-Raum Operatoren eine überprüfbare Merkmalsmenge, um zu diagnostizieren, warum Items befördert oder herabgestuft werden.
Datenschutz und Governance: Das System trennt strikt Nutzerverhaltensdaten von LLM-Eingaben (das LLM sieht nur Item-Metadaten). Nutzer-OCEAN-Vektoren werden als interne Empfehlungsmerkmale und nicht als psychologische Labels behandelt, wobei spezifische Governance-Kontrollen für die Profilbewahrung und die Überwachung der Exposition empfohlen werden.
Bescheidener Umfang: Die Autoren stellen ausdrücklich fest, dass die Ergebnisse Offline-Punktschätzungen sind. Sie beanspruchen keine Auswirkungen von Online-A/B-Tests, gemessene Latenzeinsparungen oder Verbesserungen geschäftlicher Ergebnisse (z. B. Bindung), wobei die Gesamtkosten des Systems von Faktoren wie Kataloggröße und Batch-Takt abhängen, die nicht gemessen wurden. Die Arbeit dient als Nachweis für die Machbarkeit der Offline-LLM-Materialisierung in industriellen Umgebungen.