LLM-Enhanced Topical Trend Detection at Snapchat

本論文は、マルチモーダル抽出、時系列バースト検出、LLM ベースの拡張を統合し、グローバル展開を通じてコンテンツの鮮度とユーザー体験を大幅に向上させる、Snapchat におけるトピックトレンド検出のための初の生産規模のエンドツーエンドシステムを提示する。

要約

スナップチャットを、数百万人が絶えず短い動画を投稿する巨大で賑やかなデジタル都市だと想像してください。この都市において、「トレンド」は、突然どこからともなく現れる大規模なストリートフェスティバルや、突如として流行するダンスブームのようなものです。スナップチャットにとっての課題は、この都市が広大すぎて、また動きが速すぎて、どの人間チームも隅々を監視し、これらのフェスティバルが始まった瞬間に発見することが不可能だということです。

本論文は、スナップチャットのエンジニアによって構築された新しい自動化された「シティウォッチ」システムについて述べています。このシステムは、大規模言語モデル（LLM）と呼ばれる特殊な人工知能を用いて、トレンドが始まった瞬間にそれを検知します。

以下に、このシステムの仕組みを 4 つの簡単なステップに分解して説明します。

1. 「目と耳」（トピック抽出）

まず、システムは動画で何が起こっているかを理解する必要があります。動画は画像、音声、テキストの混合であるため、システムは AI の「探偵」チームを使用します。

• 視覚探偵: 動画のフレームを見て、そこにある物体や場面（犬、ビーチ、コンサートなど）を認識します。
• 音声探偵: 人々が何を言っているかを聞き取り（音声からテキストへの変換）、内容を把握します。
• テキスト探偵: 画面上やキャプションに書かれた言葉を読み取ります。
• 要約者: これらの手がかりが集まると、強力な AI（LLM）が熟練したジャーナリストのように機能します。それは、そのごちゃごちゃした情報をすべて受け取り、動画のための短く明確な見出しを作成します。例えば、単なるランダムな単語の羅列ではなく、「新しい曲に合わせて踊る人々」といった形です。

2. 「急上昇検知器」（バースト検出）

動画が「犬」についてだからといって、それがトレンドであるわけではありません。人々は毎日犬について投稿するからです。システムは、何かが突然人気になったことを知る必要があります。

• 通常、1 時間に 5 人が通り過ぎる静かな通りを想像してください。突然、次の 1 時間に 500 人が現れたとします。これが「バースト」です。
• システムは、特定のトピックについて投稿するユニークな人の数を追跡します。（バイアスを避けるため）視聴者の数ではなく、作成者の数に焦点を当てます。
• 数学的な数式を用いて、今日の数字を直近の過去と比較します。作成者の数が著しく急増した場合、システムはそれを潜在的なトレンドとしてフラグ付けします。

3. 「品質管理」（ポストプロセッシング）

すべての急上昇が良いトレンドというわけではありません。時には、急上昇は単なる不具合、スパム、あるいは「面白い動画」のような曖昧なものによるものです。

• フィルター: システムは AI のルールを用いて、不適切なトピックを排除します。広範すぎるもの（例：「人生」）や、安全規定に違反するもの（機微な内容や安全でないコンテンツ）を削除します。
• マージャー: 時として、システムは「ワールドカップ 2026」「ワールドカップ」「ワールドカップ予選」を 3 つの別々のものとして検知することがあります。AI はこれらが実際には同じイベントであることを認識し、「ワールドカップ 2026」という 1 つのクリーンなトレンドに統合します。これにより、リストは整理され、理解しやすくなります。

4. 「物語語り手」（トレンドの充実）

トレンドが確認されると、システムは単に名前をつけるだけでなく、そのプロファイルを作成します。

• トピックからいくつかの代表的な動画を選び、超スマートな AI に要約の作成、カテゴリの割り当て（例：「スポーツ」や「ニュース」）、そしてどの国で最も話題になっているかのリスト化を依頼します。
• これは、生データポイントを、アプリの他の部分が利用できる洗練されたニュースカードに変換することに相当します。

なぜこれが重要なのか（結果）

本論文によると、このシステムはテストされ、現在スナップチャット上で世界的に稼働しています。

• 精度: 人間が 6 ヶ月にわたってシステムの作業を検証したところ、92.8% の確率で正しく機能していました。
• 実社会への影響: このシステムは、画面に表示される動画の決定（ランキング付け）や、検索バーに入力した際に表示される提案の決定に役立てられています。
• 成果: システムがトレンドを素早く検知するため、ユーザーはより新鮮で関連性の高いコンテンツを目にします。テストでは、ユーザーはコンテンツをより好むようになり（「いいね」率の上昇）、これらの新しいトレンドに属するストーリーをより長く視聴することが示されました。

要約すれば、本論文は、スナップチャットが自社のユーザーベース全体の「ざわめき」を聞き取り、ノイズをフィルタリングし、即座にアプリに「ねえ、今みんなこれが話題になっているよ—これを見せよう！」と伝えるための、賢く自動化された方法について記述しています。

技術概要

「LLM-Enhanced Topical Trend Detection at Snapchat」の論文（SIGIR 2026 採録）の詳細な技術的サマリーを以下に示す。

1. 問題定義

本論文は、特に Snapchat におけるショート動画ソーシャルメディアプラットフォームでの大規模なトピックトレンドの自動検出という課題に取り組んでいる。従来のテキストベースのネットワークとは異なり、ショート動画プラットフォームには以下のような固有の難しさが存在する：

• マルチモーダルな複雑性: コンテンツは動画、音声、テキストで構成されており、異種データを処理するためのスケーラブルなシステムが必要である。
• 微妙なシグナルの検出: トレンドはコミュニティ全体に分散した微弱なシグナルを通じて現れることが多く、早期検出が困難である。
• 急速なライフサイクル: トレンドは急速に変化するため、ノイズ、スパム、曖昧さに対する堅牢性を維持しつつ、ほぼリアルタイムでの適応が求められる。
• 規模: システムは、グローバルプラットフォームにおける日々のコンテンツ作成の膨大な量を処理できなければならない。

目標は、コンテンツの露出、パーソナライゼーション、クリエイターの参加を改善するために、コンテンツ作成の顕著な増加を特徴とする新興トピックを特定することである。

2. 手法

著者らは、大規模言語モデル（LLM）とビジョン・ランゲージモデル（VLM）を搭載したスケーラブルなエンドツーエンドシステムを提案する。パイプラインは 4 つの明確な段階で動作する：

A. システム概要

システムは新鮮さを確保するために定期的なサイクルで実行される。これは「スナップ（ユーザー動画）」およびパブリッシャーコンテンツからのマルチモーダルシグナルを処理する。

B. ステップ 1：マルチモーダルトピック抽出

• 入力処理: 動画は軽量なマルチモーダルモデルによって処理され、テキストシグナルを生成する：
  • 視覚: VLM（例：BLIP2）がサンプリングされたフレームを分析し、固定された分類体系から視覚タグを生成する。
  • 音声: 自動音声認識（ASR）が文字起こしを生成する。
  • テキスト: 光学式文字認識（OCR）が画面上のテキストを抽出する。
• 統合: これらのシグナルは、ユーザーが提供するキャプションやハッシュタグと組み合わされ、単一のテキスト表現に統合される。
• 要約: テキストのみのLLMがこの表現を自由形式のトピックフレーズまたは実体（固定された分類体系から選択するのではなく）に要約し、下流分析のための候補トピックを作成する。

C. ステップ 2：時系列バースト検出

• 指標: システムは、特定のトピックについて投稿するユニークユーザー（UU）数の推移を追跡する。ランキングアルゴリズムによるバイアスを避けるため、視聴者側のシグナルは除外される。
• アルゴリズム: マルチスケールバースト検出アルゴリズムが適用される：
  1. 事前フィルタリング: $M$ 未満の UU を持つトピックは、ロングテールノイズを削減するために除去される。
  2. 移動最大値と平均: スライディングウィンドウがユーザー数の移動最大値を計算し、その後、これらの最大値の移動平均を計算して堅牢なベースラインを確立する。
  3. リフト計算: 「リフトスコア」は、現在の活動量と平滑化されたベースラインとの比率として計算される。
  4. トレンドスコアリング: 複数の時間ウィンドウにわたるリフト値は、加重調和平均を用いて集約される。これにより、最近の活動が強調され、微弱なシグナルがペナルティを受けるため、持続的でマルチスケールな成長のみが高スコアを得ることを保証する。

D. ステップ 3：ポストプロセッシング（LLM 強化）

この段階では、品質とコンプライアンスを確保するために候補を洗練させる：

• センシティブフィルタリング: LLM が安全ポリシーに違反するトピックを検出・除去する。
• 一般性フィルタリング: LLM が「面白い動画」など、具体性に欠ける過度に広範なトピックを除去する。
• 精度制御: トレンドスコアとユーザーレベルの適応的閾値で結果をフィルタリングする。
• トピック統合: LLM が意味的に類似したトピック（例：「2026 ワールドカップ」と「ワールドカップ」）をクラスタリングし、重複を排除するために最も代表的な標準形式を選択する。

E. ステップ 4：トレンドエンリッチメント

下流システムに対してトレンドを実行可能にするために：

• MLLM 分析: マルチモーダル LLM（例：Gemini 2.0 Flash）が、トレンドに関連する代表的な動画セットを分析し、簡潔な説明を生成する。
• 合成: テキストのみの LLM がこれらの説明を集約し、人間が読みやすい要約を生成し、主要な詳細を抽出し、標準的なカテゴリ（例：スポーツ、ニュース）を割り当て、構造化されたメタデータ（例：主要国、検出時刻）を生成する。

3. 主な貢献

1. 初の生産規模エンドツーエンドシステム: ショート動画プラットフォームにおけるトピックトレンド検出のための、生産規模で公開された最初のシステムである。
2. ハイブリッドアーキテクチャ: マルチモーダルトピック抽出、時系列バーストモデリング、LLM ベースの統合・エンリッチメントの革新的な統合。
3. 効率的な LLM 活用: 軽量モデルを全規模抽出に、重い MLLM をデータのサブセットに対するエンリッチメントのみに使用することで、意味的精度と計算効率のバランスを取る戦略。
4. 包括的な評価: 継続的なオフライン人間評価による高精度の実証と、オンライン A/B テストによる測定可能な改善の実証。

4. 結果

オフライン評価

• 精度: 6 ヶ月間（2025 年 7 月～12 月）にわたり、独立したアノテーターが 1,278 のトレンドをレビューした。システムは**全体の精度 92.8%**を達成した。
• 感度: 精度とカバレッジのトレードオフを最適化するため、生産環境ではトレンドスコア閾値 1.8 が選択された。

オンライン A/B テスト

システムはグローバルに展開され、コンテンツランキングおよび検索に統合された。主な改善点は以下の通りである：

• コンテンツランキング:
  • スポットライトストーリー視聴回数（米国）: +0.86%
  • コンテンツいいね率: +11.5%（タイムリーなコンテンツに対する強いユーザー親和性を示す）。
  • コンテンツの鮮度（1 日未満）: +1.89%
• 検索:
  • インプレッションの鮮度（3 日未満）: +2.38%
  • 人気アカウントのオープン率（米国）: +26%
  • ポストタイプ放棄率: -1.28%（減少）。

5. 意義

この研究は、大規模かつ実世界の環境において、大規模言語モデルを従来の情報検索および時系列モデリングと組み合わせる実用的な実現可能性を実証している。

• プラットフォームへの影響: Snapchat が新鮮で文化的に関連性の高いコンテンツを動的に露出することを可能にし、ユーザー体験とクリエイターのエンゲージメントを直接改善する。
• 研究への貢献: ショート動画データの異種性とノイズを処理するための青写真を提供し、LLM が生マルチモーダルシグナルと構造化された実行可能なトレンドインテリジェンスの間のギャップを効果的に埋めうることを示す。
• スケーラビリティ: このアーキテクチャは、軽量な抽出と重いエンリッチメントの間のタスクを戦略的に分割することで、LLM をグローバル規模でコスト効果的に展開可能であることを証明している。