技術要約：Shape Your Feed (SYF)

問題提起

産業レベルのレコメンデーション・システムは、現在、受動的なランキング・パラダイムに依存しており、ユーザーの明示的な嗜好を、クリックや滞在時間といった暗黙的な行動シグナルのみから推論しています。このアプローチは、ユーザーの明示的な関心とアルゴリズムが提供するコンテンツとの間に、持続的な乖離を生じさせます。ユーザーには、微細なニュアンスを持つ嗜好を表現したり、なぜそのコンテンツが表示されたのかを説明させたり、リアルタイムでフィードを制御したりする能力が欠けています。さらに、既存の対話型レコメンダー・システム（CRS）は、静的なカタログを前提としていることが多く、高スループットのフィード環境において、マルチターンの整合性に苦しみ、生成された意図をハルシネーション（幻覚）なしにプロダクション・インベントリ（在庫）へと密接に結びつけるメカニズムを欠いています。

手法：SYFフレームワーク

著者らは、コンテンツのリアルタイムかつマルチモーダルな共同キュレーションを可能にするために設計された、LLMベースのエージェント・システムである**Shape Your Feed (SYF)**を提案しています。SYFは、自然言語理解とプロダクション級のランキング・パイプラインを統合する、3層のアーキテクチャを通じて動作します。

1. 知覚フロー (Perception Flow)

このモジュールは、非構造化されたマルチモーダル入力（テキストプロンプト、音声コマンド、および「コンテキスト認識型フィードバック・ピル」のようなUI操作）から、きめ細かなユーザーの意図を捉えます。

• メカニズム: オーケストレーターがユーザーのクエリを解析し、レコメンデーション・ツールチェーンへとルーティングします。
• 主要コンポーネント:
  • 意図検出 (Intent Detection): 背後にある行動的動機を曖昧さなく特定します。
  • 嗜好合成 (Preference Synthesis): ユーザーの履歴と現在の入力に基づき、重複排除、強化、衝突解決、およびセマンティックな拡張を行うことで、永続的なセマンティック・プロファイル ($S_t$) を更新します。
  • 候補ソーシング (Candidate Sourcing): 新しいポジティブな関心に基づいて関連するインベントリ項目を非同期的に取得し、リトリーバル（検索）のレイテンシをリアルタイムのサービング・パスから切り離します。
• 出力: 構造化されたセマンティック・プロファイルと、更新された意図軌跡 ($T_t$)。

2. サービング・フロー (Serving Flow)

このフローは、LLMによる推論をプラットフォームの実際のインベントリに接地（グラウンディング）させ、リアルタイムのエージェントによる再ランキングとプルーニング（削減）を実行します。

• コンテキスト生成: 数値的なランキング信号とセマンティック・プロファイルを、LLMが解釈可能な自然言語プロンプト ($P_{align}$) に変換します。
• エージェントによる精緻化 (Agentic Refinement): システムは、候補プールに対して以下の4段階の精緻化を行います。
  1. 拡張 (Augmentation): プロダクションの候補と、候補キャッシュから取得されたアイテムをマージします。
  2. アライメント・スコアリング (Alignment Scoring): LLMを使用して、ユーザーのプロファイルに対して候補リストを評価し、一致するものにはポジティブなスコアを、不一致のものにはネガティブなスコアを割り当てます。
  3. プルーニング (Pruning): スコアが閾値 $\tau$ を下回る候補をハードフィルタリングし、ネガティブなフィードバックを即座に適用します。
  4. 再ランキング (Re-ranking): セマンティックなアライメント・スコアと、ベースとなるプロダクションのエンゲージメント・スコア ($\hat{y}_{u,v}$) を融合重み $\alpha$ を用いてブレンドします。
• 正当化: 上位アイテムに対して自然言語による説明を生成し、透明性を高めます。

3. 自己進化フロー (Self-Evolution Flow)

このモジュールは、エージェントの挙動を人間の判断に適合させるための、クローズドループ最適化システムを確立します。

• デュアル・フィードバック・ポリシー・アライメント:
  • 教師あり微調整 (SFT): 希薄な明示的フィードバックに対処するため、LLM-as-a-Judgeアンサンブル（例：Llama 4 MaverickやQwen3-VLなどのオープンソースモデル）によって生成されたラベルを用いて、アライメント・スコアリング・モデルを訓練します。
  • 直接選好最適化 (DPO): ユーザーの行動フィードバック（例：「表示を減らす」のクリック）を使用して、個別の報酬モデルを必要とせずに、反復的に嗜好の境界を硬化させます。
• エージェントからプロダクションへの伝播 (Agentic-to-Production Propagation): エージェントから得られた高次のセマンティックな洞察をベースのプロダクション・ランカー ($f_\theta$) に蒸留し、リトリーバルおよびランキングの特徴量を長期的に改善します。

主な貢献

1. システム・アーキテクチャ: LLMベースの意図理解と、構造化された永続的メモリ、およびプロダクション互換のランキング・フローを組み合わせた、スケーラブルなエージェント・フレームワークを提供します。これにより、安定したマルチターン動作とカタログに根ざした応答が可能になります。
2. マルチモーダルな嗜好監視: テキスト、音声、およびUIコントロールを一貫した嗜好状態へと統合する統一的なアプローチにより、パーソナライゼーションとユーザーの主体性を向上させます。
3. 実証的検証: 大規模なソーシャル・プラットフォームにおける、オフラインおよびオンラインの広範な評価を通じて、SYFがフィードの関連性を向上させ、ネガティブなフィードバックを減少させることを実証しました。

結果

オフライン評価

• アライメント精度: アライメント・スコアリング・モジュールは、98.85%の精度（SFT + DPO）を達成しました。これは、Few-shotベースラインの83.84%や、一致・不一致の識別能力がほとんどない従来のランキング信号 ($P(CSL), P(CSM)$) を大幅に上回っています。
• 効率性: システムは低いレイテンシ（スコアリングで323ms）を維持しており、プロダクションの制約内に収まっています。
• モデル選択: 推論能力と推論レイテンシの最適なバランスとして Llama 3 8B が選定されました。これは、より小さなモデル（1B）よりも優れており、かつ大規模なモデル（70B）のような過度なコストを回避しています。

オンライン A/B テスト

ライブ・プロダクション・トラフィック（米国/カナダ、18歳以上）において実施された結果、SYFシステムは以下の成果を示しました。

• ユーザー制御の強化: 静的なピルでは23.98%であったのに対し、ユーザーはコンテキスト認識型フィードバック・ピルを76.02%の割合で選択しており、優れたセマンティックな整合性が示されました。
• ネガティブ・フィードバックの減少:
  • 非表示率 (Post Dismiss Rate) が 1.70% 減少。
  • 低評価率 (Post Dislike Rate) が 2.74% 減少。
• 興味探索の向上: 新しい関心領域の消費において、統計的に有意な 0.16% の上昇が見られました。これは、システムがユーザーを新しい領域へと適切に導いていることを示しています。
• アブレーション解析の知見: フィードバック・インターフェース（ピル）がインタラクションのボリュームを駆動した一方で、それらのシグナルを実際のフィード品質の向上へと転換するためには、背後のエージェントによるサービング・フローが必要であることが明らかになりました。

意義と主張

本論文は、SYFが受動的なパーソナライゼーションから、インタラクティブなユーザーとアルゴリズムによる共同キュレーションへの転換を象徴していると主張しています。明示的なユーザーの意図と暗黙的なランキング・シグナルの間のギャップを埋めることで、SYFは、大規模なソーシャル・プラットフォームにおける、より透明性が高く制御可能なフィード・ランキングへの原則的な道筋を提示しています。

著者らは、現在の限界として、システムが能動的なパーソナライゼーション・ループをトリガーするために明示的なユーザー入力に依存していることを認めています。多くのユーザーが受動的な、高スループットの環境においては、ステアリング（制御）機能を利用しないユーザーに対しては、システムはベースラインのランキングへとデフォルトで戻ります。今後の課題として、プロアクティブな嗜好の引き出しや、転移学習を通じて推論されたプロファイルを低シグナル・ユーザーへ伝播させることで、この希薄さを解消することが提案されています。

最終的に、本研究は、エージェント的でLLM駆動の推論を産業用レコメンデーション・スタックに統合することが技術的に実現可能であり、有益であることを証明しており、ユーザーがリアルタイムでコンテンツ消費を能動的に制御できる世界へと領域を広げています。