Resumen Técnico: Ocean4Rec

Enunciado del Problema

Los sistemas de recomendación de Video bajo Demanda (VOD) industriales requieren una comprensión más rica del contenido para mejorar la satisfacción del usuario. Aunque los Modelos de Lenguaje Grande (LLM) ofrecen capacidades avanzadas de razonamiento para la extracción de características y la puntuación de candidatos, integrarlos directamente en la ruta de servicio en tiempo de solicitud introduce desafíos operativos significativos. Específicamente, la inferencia de LLM por solicitud implica la construcción de prompts, la generación de tokens, la invocación del modelo, el análisis de la salida y la gestión de alternativas. En entornos de alto volumen y sensibles a la latencia, estas operaciones complican la planificación del rendimiento, el control de la latencia de cola, el aislamiento de la capacidad y la operación predecible del sistema. El problema central consiste en cómo aprovechar las perspectivas de contenido derivadas de los LLM sin incurrir en los riesgos de latencia y estabilidad de las llamadas en línea a LLM.

Metodología: Ocean4Rec

Ocean4Rec propone una capa de reordenamiento que desacopla el razonamiento del LLM de la ruta de servicio en línea. El sistema opera bajo el principio de "materializar fuera de línea, puntuar en línea", utilizando la taxonomía de personalidad OCEAN (Apertura, Conciencia, Extraversión, Amabilidad, Neuroticismo) como una representación de contenido restringida por esquema.

1. Perfilado de Ítems Fuera de Línea

• Proceso: Se utiliza un LLM (Google Gemini 2.5 Pro) como anotador fuera de línea para procesar los metadatos del VOD (título, trama, descripción, género).
• Salida: Cada ítem elegible se mapea a un vector entero de cinco dimensiones que representa las puntuaciones OCEAN, acompañado de una puntuación de confianza y una cadena breve de razonamiento.
• Validación: La pipeline valida los registros generados en cuanto a formato y rango. Los ítems con metadatos faltantes o salidas de LLM inválidas reciben perfiles de respaldo neutrales con baja confianza, asegurando que permanezcan elegibles para el recomendador base.

2. Perfilado del Gusto del Usuario

• Construcción: Los perfiles de usuario no son estáticos; son vectores dinámicos derivados de interacciones implícitas recientes (clics, enlaces profundos) con ítems perfilados.
• Agregación: El vector OCEAN de un usuario ($z_u$) es un promedio ponderado con decaimiento temporal de los vectores OCEAN de los ítems consumidos ($q_i$).
• Decaimiento: Las interacciones se ponderan utilizando una función de decaimiento exponencial de vida media ($w_{time}(a) = 0.5^{a/h}$), donde $a$ es la antigüedad de la interacción en días y $h$ es la vida media (90 días en la implementación reportada). Esto captura la dinámica temporal de las preferencias del usuario.

3. Reordenamiento en Tiempo de Solicitud

En el momento del servicio, el sistema recupera una lista de candidatos puntuados (Top 1000) de un generador base (por ejemplo, NCF o LightGCN). No se invoca ningún LLM. La puntuación de reordenamiento $S(u, i)$ es una combinación lineal de tres componentes:
$$S(u, i) = \alpha B(u, i) + \beta P(u, i) + \gamma R(i)$$

• $B(u, i)$: La puntuación del recomendador base (normalizada min-max).
• $P(u, i)$: El término de compatibilidad OCEAN, calculado como la correlación de Pearson entre el vector de usuario $z_u$ y el vector de ítem $q_i$, recortado y transformado a $[0, 1]$.
• $R(i)$: Un término de recencia del catálogo basado en la antigüedad de la publicación del contenido.
• Respaldo: Si un usuario o un ítem carece de un perfil OCEAN válido, el peso OCEAN ($\beta$) se reasigna a la puntuación base ($\alpha$), asegurando que el sistema se degrade elegantemente al ordenamiento base.

Contribuciones Clave

El artículo realiza tres contribuciones específicas a la Track de la Industria de RecSys:

1. Patrón de Materialización de LLM Fuera de Línea: Describe un patrón para integrar perfiles de contenido OCEAN derivados de LLM en un reordenador industrial sin requerir llamadas a LLM en tiempo de solicitud, preservando así la predictibilidad de la ruta de servicio.
2. Representación en el Mismo Espacio: Define una representación unificada donde los ítems se perfilan a partir de metadatos y los usuarios se representan mediante la agregación con decaimiento temporal de los perfiles de ítems consumidos, permitiendo una puntuación de compatibilidad directa sin alineación aprendida.
3. Evaluación con Retención Temporal: Reporta evaluaciones fuera de línea con los mismos candidatos y retención temporal sobre registros anonimizados de VOD de Samsung Smart TV utilizando generadores NCF y LightGCN, acotando todas las afirmaciones empíricas a estas configuraciones específicas.

Resultados

Las evaluaciones se realizaron sobre registros anonimizados de un entorno de VOD de Samsung Smart TV, utilizando una retención temporal (datos de entrenamiento hasta el 31 de marzo de 2026; evaluación del 1 al 27 de abril de 2026).

• Rendimiento frente a Líneas Base:
  • Generador NCF: Ocean4Rec mejoró el NDCG@20 en un 7.6% sobre la línea base más fuerte "Base+Recencia". Las mejoras en HR@20 fueron inconclusas.
  • Generador LightGCN: Ocean4Rec mejoró el NDCG@20 en un 61.5% sobre "Base+Recencia" y el HR@20 en un 67.3%.
• Análisis de Componentes: El componente "Base+OCEAN" por sí solo mostró resultados mixtos (mejorando el HR pero a veces reduciendo el NDCG/MRR en comparación con la Base), lo que indica que OCEAN es más efectivo cuando se combina con señales de relevancia base y recencia.
• Diagnósticos Secundarios: Las comparaciones con una implementación de Persona4Rec basada solo en metadatos en conjuntos de datos públicos (Amazon-Books, Yelp) mostraron resultados competitivos, aunque el artículo señala que estos son verificaciones de coherencia y no líneas base directas de enfrentamiento debido a diferencias arquitectónicas (por ejemplo, falta de fusión de puntuación base en el diagnóstico).

Significado y Afirmaciones

El artículo posiciona a Ocean4Rec no como una solución universal, sino como una característica auxiliar acotada de contenido-gusto que preserva las ventajas de implementabilidad de una ruta de servicio libre de LLM en tiempo de solicitud.

• Estabilidad Operativa: El significado principal es arquitectónico: elimina la variabilidad de la construcción de prompts, la generación de tokens y la invocación del modelo del bucle crítico de servicio, asegurando latencia y rendimiento predecibles.
• Interpretabilidad: A diferencia de los embeddings densos, el espacio OCEAN de cinco dimensiones proporciona a los operadores un conjunto de características inspeccionable para diagnosticar por qué se promueven o degradan los ítems.
• Privacidad y Gobernanza: El sistema separa estrictamente los datos de comportamiento del usuario de las entradas del LLM (el LLM solo ve los metadatos del ítem). Los vectores OCEAN de los usuarios se tratan como características internas de recomendación, no como etiquetas psicológicas, recomendándose controles de gobernanza específicos para la retención de perfiles y el monitoreo de exposición.
• Alcance Modesto: Los autores declaran explícitamente que los resultados son estimaciones puntuales fuera de línea. No afirman impacto en pruebas A/B en línea, ahorros de latencia medidos o mejoras en resultados comerciales (por ejemplo, retención), señalando que el costo total del sistema depende de factores como el tamaño del catálogo y la cadencia de lotes, los cuales no fueron medidos. El trabajo sirve como evidencia de la viabilidad de la materialización de LLM fuera de línea en entornos industriales.