Technische Samenvatting: Ocean4Rec

Probleemstelling

Industriële Video-on-Demand (VOD)-recommenders vereisen een rijkere inhoudsinterpretatie om de gebruikerstevredenheid te verbeteren. Hoewel Large Language Models (LLM's) geavanceerde redeneercapaciteiten bieden voor kenmerkextractie en scoring van kandidaten, introduceert het direct integreren van deze modellen in het request-time serving-pad aanzienlijke operationele uitdagingen. Specifiek omvat per-request LLM-inferentie promptconstructie, token-generatie, modeloproep, output-parsing en fallback-handling. In omgevingen met een hoog volume en hoge latentiegevoeligheid compliceren deze bewerkingen de doorvoerbepaling, de controle van tail-latentie, de capaciteitsisolatie en de voorspelbare systeembediening. Het kernprobleem is hoe LLM-afgeleide inhoudsinsights kunnen worden benut zonder de latentie- en stabiliteitsrisico's van online LLM-oproepen te incasseren.

Methodologie: Ocean4Rec

Ocean4Rec stelt een herordeningslaag voor die LLM-redenering ontkoppelt van het online serving-pad. Het systeem werkt volgens het principe "offline materialiseren, online scoren", waarbij de OCEAN-persoonlijkheidstaxonomie (Openness, Conscientiousness, Extravertie, Agreeableness, Neuroticism) wordt gebruikt als een schema-beperkte inhoudsrepresentatie.

1. Offline Itemprofilering

• Proces: Een LLM (Google Gemini 2.5 Pro) wordt gebruikt als offline annotator om VOD-metadata (titel, plot, beschrijving, genre) te verwerken.
• Output: Elk in aanmerking komend item wordt gemapt naar een vijfdimensionaal geheelgetalvector die OCEAN-scores vertegenwoordigt, vergezeld van een betrouwbaarheidsscore en een korte redeneringsstring.
• Validatie: De pijplijn valideert gegenereerde records op formaat en bereik. Items met ontbrekende metadata of ongeldige LLM-outputs ontvangen lage-betrouwbaarheid neutrale fallback-profielen, waardoor ze in aanmerking blijven voor de basisrecommender.

2. Gebruiksgedragprofilering

• Constructie: Gebruikersprofielen zijn niet statisch; ze zijn dynamische vectoren afgeleid van recente impliciete interacties (klikken, deep-links) met geprofileerde items.
• Aggregatie: De OCEAN-vector van een gebruiker ($z_u$) is een tijdverval-gewogen gemiddelde van de OCEAN-vectoren van verbruikte items ($q_i$).
• Verval: Interacties worden gewogen met een exponentiële halfwaardetijd-vervalfunctie ($w_{time}(a) = 0.5^{a/h}$), waarbij $a$ de leeftijd van de interactie in dagen is en $h$ de halfwaardetijd (90 dagen in de gerapporteerde implementatie). Dit vangt de temporele dynamiek van gebruikersvoorkeuren op.

3. Request-Time Herordening

Tijdens het serving-moment haalt het systeem een gescorede kandidatenlijst (Top 1000) op uit een basisgenerator (bijv. NCF of LightGCN). Er wordt geen LLM opgeroepen. De herordeningsscore $S(u, i)$ is een lineaire combinatie van drie componenten:
$$S(u, i) = \alpha B(u, i) + \beta P(u, i) + \gamma R(i)$$

• $B(u, i)$: De basisrecommender-score (min-max genormaliseerd).
• $P(u, i)$: De OCEAN-compatibiliteitsterm, berekend als de Pearson-correlatie tussen de gebruikervector $z_u$ en de itemvector $q_i$, afgeknipt en getransformeerd naar $[0, 1]$.
• $R(i)$: Een term voor catalogus-recentie gebaseerd op de leeftijd van de contentrelease.
• Fallback: Als een gebruiker of item geen geldig OCEAN-profiel heeft, wordt de OCEAN-gewicht ($\beta$) opnieuw toegewezen aan de basisscore ($\alpha$), zodat het systeem op een elegante manier degradeert naar de basisordening.

Belangrijkste Bijdragen

Het artikel levert drie specifieke bijdragen aan de RecSys Industry Track:

1. Offline LLM-materialisatiepatroon: Het beschrijft een patroon voor het integreren van LLM-afgeleide OCEAN-inhoudsprofielen in een industriële herordener zonder request-time LLM-oproepen, waardoor de voorspelbaarheid van het serving-pad behouden blijft.
2. Zelfde-ruimte Representatie: Het definieert een uniforme representatie waarbij items worden geprofileerd vanuit metadata en gebruikers worden weergegeven door de tijdverval-gewogen aggregatie van verbruikte itemprofielen, waardoor directe compatibiliteitsscore mogelijk is zonder geleerde uitlijning.
3. Temporele-houdtest Evaluatie: Het rapporteert offline evaluaties met dezelfde kandidaten en temporele houdtest op geanonimiseerde Samsung Smart TV VOD-logboeken met behulp van NCF- en LightGCN-generatoren, waarbij alle empirische claims worden beperkt tot deze specifieke instellingen.

Resultaten

Evaluaties werden uitgevoerd op geanonimiseerde logboeken uit een Samsung Smart TV VOD-omgeving, met gebruik van een temporele houdtest (trainingsdata tot 31 maart 2026; evaluatie van 1 tot 27 april 2026).

• Prestaties versus Baselines:
  • NCF-generator: Ocean4Rec verbeterde NDCG@20 met 7,6% ten opzichte van de sterkere "Base+Recency"-baseline. HR@20-verbeteringen waren inconclusief.
  • LightGCN-generator: Ocean4Rec verbeterde NDCG@20 met 61,5% ten opzichte van "Base+Recency" en HR@20 met 67,3%.
• Componentanalyse: De "Base+OCEAN"-component alleen toonde gemengde resultaten (verbetering van HR maar soms verlaging van NDCG/MRR ten opzichte van Base), wat aangeeft dat OCEAN het meest effectief is wanneer het wordt gekoppeld aan zowel basisrelevantie als recentiesignalen.
• Secundaire Diagnostiek: Vergelijkingen met een metadata-only implementatie van Persona4Rec op publieke datasets (Amazon-Books, Yelp) toonden concurrerende resultaten, hoewel het artikel opmerkt dat dit gezondheidscontroles zijn en geen directe head-to-head baselines vanwege architecturale verschillen (bijv. gebrek aan base-scorefusie in de diagnostiek).

Betekenis en Claims

Het artikel positioneert Ocean4Rec niet als een universele oplossing, maar als een beperkte auxiliaire inhouds-gedragseigenschap die de implementatievoordelen van een request-time-LLM-vrij serving-pad behoudt.

• Operationele Stabiliteit: De primaire betekenis is architecturaal: het verwijdert de variabiliteit van promptconstructie, token-generatie en modeloproep uit de kritieke serving-lus, waardoor voorspelbare latentie en doorvoer worden gewaarborgd.
• Interpreteerbaarheid: In tegenstelling tot dichte embeddings, biedt de vijfdimensionale OCEAN-ruimte exploitanten een inspecteerbare kenmerkenset om te diagnosticeren waarom items worden gepromoot of gedegradeerd.
• Privacy en Governance: Het systeem scheidt strikt gebruikersgedragsdata van LLM-inputs (de LLM ziet alleen itemmetadata). Gebruikers-OCEAN-vectoren worden behandeld als interne aanbevelingskenmerken, niet als psychologische labels, met specifieke governancecontroles aanbevolen voor profielbehoud en monitoring van blootstelling.
• Bescheiden Scope: De auteurs stellen expliciet dat de resultaten offline punt-schattingen zijn. Ze claimen geen online A/B-test-impact, gemeten latentiewinsten of verbeteringen in bedrijfsresultaten (bijv. retentie), en merken op dat de totale systeemkosten afhangen van factoren zoals catalogusgrootte en batch-frequentie, die niet zijn gemeten. Het werk dient als bewijs voor de levensvatbaarheid van offline LLM-materialisatie in industriële omgevingen.