Résumé Technique : Ocean4Rec

Énoncé du Problème

Les systèmes de recommandation vidéo à la demande (VOD) industriels nécessitent une compréhension plus riche du contenu pour améliorer la satisfaction des utilisateurs. Bien que les modèles de langage de grande taille (LLM) offrent des capacités de raisonnement avancées pour l'extraction de caractéristiques et le classement des candidats, leur intégration directe dans le chemin de service au moment de la requête introduit des défis opérationnels majeurs. Plus précisément, l'inférence LLM par requête implique la construction de prompts, la génération de tokens, l'appel du modèle, l'analyse de la sortie et la gestion des solutions de repli. Dans des environnements à fort volume et sensibles à la latence, ces opérations complexifient la planification du débit, le contrôle de la latence de queue, l'isolation de la capacité et le fonctionnement prévisible du système. Le problème central consiste à exploiter les insights sur le contenu dérivés des LLM sans encourir les risques de latence et de stabilité liés aux appels LLM en ligne.

Méthodologie : Ocean4Rec

Ocean4Rec propose une couche de réordonnancement qui découple le raisonnement LLM du chemin de service en ligne. Le système fonctionne selon le principe « matérialiser hors ligne, noter en ligne », en utilisant la taxonomie de personnalité OCEAN (Ouverture, Conscience, Extraversion, Agréabilité, Névrosisme) comme représentation de contenu contrainte par un schéma.

1. Profilage des Articles Hors Ligne

• Processus : Un LLM (Google Gemini 2.5 Pro) est utilisé comme annotateur hors ligne pour traiter les métadonnées VOD (titre, intrigue, description, genre).
• Sortie : Chaque article éligible est mappé à un vecteur entier à cinq dimensions représentant les scores OCEAN, accompagné d'un score de confiance et d'une chaîne de raisonnement courte.
• Validation : Le pipeline valide les enregistrements générés pour le format et la plage. Les articles dont les métadonnées sont manquantes ou dont les sorties LLM sont invalides reçoivent des profils de repli neutres à faible confiance, garantissant qu'ils restent éligibles pour le recommandateur de base.

2. Profilage des Goûts Utilisateurs

• Construction : Les profils utilisateurs ne sont pas statiques ; ce sont des vecteurs dynamiques dérivés des interactions implicites récentes (clics, liens profonds) avec des articles profilés.
• Agrégation : Le vecteur OCEAN d'un utilisateur ($z_u$) est une moyenne pondérée à décroissance temporelle des vecteurs OCEAN des articles consommés ($q_i$).
• Décroissance : Les interactions sont pondérées à l'aide d'une fonction de décroissance exponentielle à demi-vie ($w_{time}(a) = 0.5^{a/h}$), où $a$ est l'âge de l'interaction en jours et $h$ est la demi-vie (90 jours dans la mise en œuvre rapportée). Cela capture la dynamique temporelle des préférences utilisateurs.

3. Réordonnancement au Moment de la Requête

Au moment du service, le système récupère une liste de candidats notés (Top 1000) à partir d'un générateur de base (par exemple, NCF ou LightGCN). Aucun LLM n'est invoqué. Le score de réordonnancement $S(u, i)$ est une combinaison linéaire de trois composantes :
$$S(u, i) = \alpha B(u, i) + \beta P(u, i) + \gamma R(i)$$

• $B(u, i)$ : Le score du recommandateur de base (normalisé min-max).
• $P(u, i)$ : Le terme de compatibilité OCEAN, calculé comme la corrélation de Pearson entre le vecteur utilisateur $z_u$ et le vecteur article $q_i$, tronqué et transformé dans l'intervalle $[0, 1]$.
• $R(i)$ : Un terme de fraîcheur du catalogue basé sur l'âge de publication du contenu.
• Solution de repli : Si un utilisateur ou un article ne possède pas de profil OCEAN valide, le poids OCEAN ($\beta$) est réaffecté au score de base ($\alpha$), garantissant que le système se dégrade gracieusement vers l'ordre de base.

Contributions Clés

L'article apporte trois contributions spécifiques à la filière RecSys Industry Track :

1. Motif de Matérialisation LLM Hors Ligne : Il décrit un motif pour intégrer des profils de contenu OCEAN dérivés de LLM dans un réordonnancement industriel sans exiger d'appels LLM au moment de la requête, préservant ainsi la prévisibilité du chemin de service.
2. Représentation dans le Même Espace : Il définit une représentation unifiée où les articles sont profilés à partir de métadonnées et les utilisateurs sont représentés par l'agrégation à décroissance temporelle des profils d'articles consommés, permettant un score de compatibilité direct sans alignement appris.
3. Évaluation par Retenue Temporelle : Il rapporte des évaluations hors ligne sur des candidats identiques avec retenue temporelle, utilisant des journaux VOD anonymisés de Samsung Smart TV avec des générateurs NCF et LightGCN, limitant toutes les affirmations empiriques à ces paramètres spécifiques.

Résultats

Les évaluations ont été menées sur des journaux anonymisés d'un environnement VOD Samsung Smart TV, utilisant une retenue temporelle (données d'entraînement jusqu'au 31 mars 2026 ; évaluation du 1er au 27 avril 2026).

• Performance par rapport aux références :
  • Générateur NCF : Ocean4Rec a amélioré le NDCG@20 de 7,6 % par rapport à la référence plus forte « Base+Recency ». Les améliorations HR@20 étaient non concluantes.
  • Générateur LightGCN : Ocean4Rec a amélioré le NDCG@20 de 61,5 % par rapport à « Base+Recency » et le HR@20 de 67,3 %.
• Analyse des Composantes : La composante « Base+OCEAN » seule a montré des résultats mitigés (améliorant le HR mais abaissant parfois le NDCG/MRR par rapport à la Base), indiquant que OCEAN est plus efficace lorsqu'il est associé à la fois aux signaux de pertinence de base et de fraîcheur.
• Diagnostics Secondaires : Les comparaisons avec une implémentation de Persona4Rec basée uniquement sur les métadonnées sur des jeux de données publics (Amazon-Books, Yelp) ont montré des résultats compétitifs, bien que l'article note qu'il s'agit de contrôles de bon sens plutôt que de références directes tête-à-tête en raison de différences architecturales (par exemple, absence de fusion de score de base dans le diagnostic).

Signification et Revendications

L'article positionne Ocean4Rec non pas comme une solution universelle, mais comme une fonctionnalité de contenu et de goût auxiliaire bornée qui préserve les avantages de déployabilité d'un chemin de service sans LLM au moment de la requête.

• Stabilité Opérationnelle : La signification principale est architecturale : elle élimine la variabilité de la construction de prompts, de la génération de tokens et de l'appel de modèle de la boucle de service critique, assurant une latence et un débit prévisibles.
• Interprétabilité : Contrairement aux plongements denses, l'espace OCEAN à cinq dimensions fournit aux opérateurs un ensemble de caractéristiques inspectables pour diagnostiquer pourquoi des articles sont promus ou déclassés.
• Vie Privée et Gouvernance : Le système sépare strictement les données de comportement utilisateur des entrées LLM (le LLM ne voit que les métadonnées de l'article). Les vecteurs OCEAN des utilisateurs sont traités comme des fonctionnalités internes de recommandation, et non comme des étiquettes psychologiques, avec des contrôles de gouvernance spécifiques recommandés pour la rétention des profils et la surveillance de l'exposition.
• Portée Modeste : Les auteurs déclarent explicitement que les résultats sont des estimations ponctuelles hors ligne. Ils ne revendiquent pas l'impact des tests A/B en ligne, les économies de latence mesurées ou les améliorations des résultats commerciaux (par exemple, la rétention), notant que le coût total du système dépend de facteurs tels que la taille du catalogue et le rythme des lots, qui n'ont pas été mesurés. Ce travail sert de preuve de la viabilité de la matérialisation LLM hors ligne dans des environnements industriels.