Riepilogo Tecnico: Ocean4Rec

Enunciato del Problema

I sistemi di raccomandazione per Video on Demand (VOD) industriali richiedono una comprensione più ricca dei contenuti per migliorare la soddisfazione degli utenti. Sebbene i Modelli Linguistici su Larga Scala (LLM) offrano capacità di ragionamento avanzate per l'estrazione di caratteristiche e la valutazione dei candidati, integrarli direttamente nel percorso di servizio in tempo reale introduce sfide operative significative. Nello specifico, l'inferenza LLM per ogni richiesta comporta la costruzione del prompt, la generazione dei token, l'invocazione del modello, l'analisi dell'output e la gestione dei fallback. In ambienti ad alto volume e sensibili alla latenza, queste operazioni complicano la pianificazione del throughput, il controllo della latenza di coda, l'isolamento delle capacità e il funzionamento prevedibile del sistema. Il problema fondamentale consiste nel modo in cui sfruttare le intuizioni sui contenuti derivate dagli LLM senza incorrere nei rischi di latenza e stabilità delle chiamate LLM online.

Metodologia: Ocean4Rec

Ocean4Rec propone un livello di riordinamento che disaccoppia il ragionamento LLM dal percorso di servizio online. Il sistema opera secondo il principio "materializzare offline, valutare online", utilizzando la tassonomia della personalità OCEAN (Apertura, Coscienziosità, Estroversione, Amabilità, Nevroticismo) come rappresentazione dei contenuti vincolata allo schema.

1. Profilazione Offline degli Elementi

• Processo: Un LLM (Google Gemini 2.5 Pro) viene utilizzato come annotatore offline per elaborare i metadati VOD (titolo, trama, descrizione, genere).
• Output: Ogni elemento idoneo viene mappato su un vettore intero a cinque dimensioni che rappresenta i punteggi OCEAN, accompagnato da un punteggio di confidenza e una breve stringa di ragionamento.
• Validazione: La pipeline convalida i record generati per formato e intervallo. Gli elementi con metadati mancanti o output LLM non validi ricevono profili di fallback neutri a bassa confidenza, garantendo che rimangano idonei per il sistema di raccomandazione di base.

2. Profilazione dei Gusti dell'Utente

• Costruzione: I profili utente non sono statici; sono vettori dinamici derivati dalle interazioni implicite recenti (clic, deep-link) con gli elementi profilati.
• Aggregazione: Il vettore OCEAN di un utente ($z_u$) è una media ponderata con decadimento temporale dei vettori OCEAN degli elementi consumati ($q_i$).
• Decadimento: Le interazioni sono ponderate utilizzando una funzione di decadimento esponenziale a emivita ($w_{time}(a) = 0.5^{a/h}$), dove $a$ è l'età dell'interazione in giorni e $h$ è l'emivita (90 giorni nell'implementazione riportata). Questo cattura la dinamica temporale delle preferenze degli utenti.

3. Riordinamento in Tempo di Richiesta

Al momento del servizio, il sistema recupera una lista di candidati valutati (Top 1000) da un generatore di base (ad esempio NCF o LightGCN). Nessun LLM viene invocato. Il punteggio di riordinamento $S(u, i)$ è una combinazione lineare di tre componenti:
$$S(u, i) = \alpha B(u, i) + \beta P(u, i) + \gamma R(i)$$

• $B(u, i)$: Il punteggio del sistema di raccomandazione di base (normalizzato min-max).
• $P(u, i)$: Il termine di compatibilità OCEAN, calcolato come correlazione di Pearson tra il vettore utente $z_u$ e il vettore elemento $q_i$, limitato e trasformato in $[0, 1]$.
• $R(i)$: Un termine di attualità del catalogo basato sull'età di rilascio del contenuto.
• Fallback: Se un utente o un elemento manca di un profilo OCEAN valido, il peso OCEAN ($\beta$) viene ridistribuito al punteggio di base ($\alpha$), garantendo che il sistema si degradi elegantemente all'ordinamento di base.

Contributi Chiave

Il documento apporta tre contributi specifici al Track dell'Industria RecSys:

1. Pattern di Materializzazione Offline degli LLM: Descrive un pattern per l'integrazione dei profili di contenuto OCEAN derivati dagli LLM in un riordinatore industriale senza richiedere chiamate LLM in tempo reale, preservando così la prevedibilità del percorso di servizio.
2. Rappresentazione nello Stesso Spazio: Definisce una rappresentazione unificata in cui gli elementi sono profilati dai metadati e gli utenti sono rappresentati dall'aggregazione con decadimento temporale dei profili degli elementi consumati, consentendo una valutazione diretta della compatibilità senza allineamento appreso.
3. Valutazione con Ritenzione Temporale: Riporta valutazioni offline con ritenzione temporale e stessi candidati su log VOD anonimizzati di Samsung Smart TV utilizzando generatori NCF e LightGCN, circoscrivendo tutte le affermazioni empiriche a queste impostazioni specifiche.

Risultati

Le valutazioni sono state condotte su log anonimizzati da un ambiente VOD Samsung Smart TV, utilizzando una ritenzione temporale (dati di addestramento fino al 31 marzo 2026; valutazione dal 1 al 27 aprile 2026).

• Prestazioni rispetto alle Baseline:
  • Generatore NCF: Ocean4Rec ha migliorato l'NDCG@20 del 7,6% rispetto alla baseline più forte "Base+Recency". I miglioramenti dell'HR@20 sono stati inconcludenti.
  • Generatore LightGCN: Ocean4Rec ha migliorato l'NDCG@20 del 61,5% rispetto a "Base+Recency" e l'HR@20 del 67,3%.
• Analisi delle Componenti: La componente "Base+OCEAN" da sola ha mostrato risultati misti (migliorando l'HR ma talvolta abbassando NDCG/MRR rispetto alla Base), indicando che OCEAN è più efficace quando accoppiato sia ai segnali di rilevanza di base che a quelli di attualità.
• Diagnostica Secondaria: I confronti con un'implementazione basata solo sui metadati di Persona4Rec su dataset pubblici (Amazon-Books, Yelp) hanno mostrato risultati competitivi, sebbene il documento noti che questi sono controlli di sanità mentale e non baseline dirette testa a testa a causa delle differenze architetturali (ad esempio, mancanza di fusione del punteggio di base nella diagnostica).

Significato e Affermazioni

Il documento posiziona Ocean4Rec non come una soluzione universale, ma come una funzione ausiliaria del gusto per i contenuti a contenuto limitato che preserva i vantaggi di deployabilità di un percorso di servizio privo di LLM in tempo reale.

• Stabilità Operativa: Il significato principale è architetturale: rimuove la variabilità della costruzione del prompt, della generazione dei token e dell'invocazione del modello dal ciclo critico di servizio, garantendo latenza e throughput prevedibili.
• Interpretabilità: A differenza degli embedding densi, lo spazio OCEAN a cinque dimensioni fornisce agli operatori un set di caratteristiche ispezionabili per diagnosticare perché gli elementi vengono promossi o demossi.
• Privacy e Governance: Il sistema separa rigorosamente i dati sul comportamento degli utenti dagli input LLM (l'LLM vede solo i metadati degli elementi). I vettori OCEAN degli utenti sono trattati come caratteristiche interne di raccomandazione, non come etichette psicologiche, con specifici controlli di governance raccomandati per la conservazione del profilo e il monitoraggio dell'esposizione.
• Portata Modesta: Gli autori dichiarano esplicitamente che i risultati sono stime puntuali offline. Non affermano l'impatto dei test A/B online, i risparmi di latenza misurati o il miglioramento dei risultati aziendali (ad esempio, la fidelizzazione), notando che il costo totale del sistema dipende da fattori come la dimensione del catalogo e la cadenza dei batch, che non sono stati misurati. Il lavoro serve come prova della fattibilità della materializzazione offline degli LLM in ambienti industriali.