Resumo Técnico: Ocean4Rec

Declaração do Problema

Os recomendadores de Vídeo sob Demanda (VOD) industriais exigem compreensão mais rica do conteúdo para melhorar a satisfação do usuário. Embora os Modelos de Linguagem de Grande Escala (LLMs) ofereçam capacidades avançadas de raciocínio para extração de recursos e pontuação de candidatos, integrá-los diretamente no caminho de serviço em tempo de solicitação introduz desafios operacionais significativos. Especificamente, a inferência de LLM por solicitação envolve construção de prompt, geração de tokens, invocação do modelo, análise de saída e tratamento de fallback. Em ambientes de alto volume e sensíveis à latência, essas operações complicam o planejamento de vazão, o controle da latência de cauda, o isolamento de capacidade e a operação previsível do sistema. O problema central é como aproveitar insights de conteúdo derivados de LLMs sem incorrer nos riscos de latência e estabilidade de chamadas de LLM online.

Metodologia: Ocean4Rec

O Ocean4Rec propõe uma camada de reranking que desacopla o raciocínio do LLM do caminho de serviço online. O sistema opera sob o princípio "materializar offline, pontuar online", utilizando a taxonomia de personalidade OCEAN (Abertura, Conscienciosidade, Extroversão, Amabilidade, Neuroticismo) como uma representação de conteúdo com restrição de esquema.

1. Perfilagem de Itens Offline

• Processo: Um LLM (Google Gemini 2.5 Pro) é usado como anotador offline para processar metadados de VOD (título, enredo, descrição, gênero).
• Saída: Cada item elegível é mapeado para um vetor inteiro de cinco dimensões representando pontuações OCEAN, acompanhado de uma pontuação de confiança e uma string curta de raciocínio.
• Validação: O pipeline valida registros gerados quanto a formato e intervalo. Itens com metadados ausentes ou saídas de LLM inválidas recebem perfis de fallback neutros de baixa confiança, garantindo que permaneçam elegíveis para o recomendador base.

2. Perfilagem de Gosto do Usuário

• Construção: Os perfis de usuário não são estáticos; são vetores dinâmicos derivados de interações implícitas recentes (cliques, links profundos) com itens perfilados.
• Agregação: O vetor OCEAN de um usuário ($z_u$) é uma média ponderada com decaimento temporal dos vetores OCEAN dos itens consumidos ($q_i$).
• Decaimento: As interações são ponderadas usando uma função de decaimento exponencial de meia-vida ($w_{time}(a) = 0.5^{a/h}$), onde $a$ é a idade da interação em dias e $h$ é a meia-vida (90 dias na implementação relatada). Isso captura a dinâmica temporal das preferências do usuário.

3. Reranking em Tempo de Solicitação

No momento do serviço, o sistema recupera uma lista de candidatos pontuados (Top 1000) de um gerador base (por exemplo, NCF ou LightGCN). Nenhum LLM é invocado. A pontuação de reranking $S(u, i)$ é uma combinação linear de três componentes:
$$S(u, i) = \alpha B(u, i) + \beta P(u, i) + \gamma R(i)$$

• $B(u, i)$: A pontuação do recomendador base (normalizada min-max).
• $P(u, i)$: O termo de compatibilidade OCEAN, calculado como a correlação de Pearson entre o vetor do usuário $z_u$ e o vetor do item $q_i$, limitado e transformado para $[0, 1]$.
• $R(i)$: Um termo de recência do catálogo baseado na idade de lançamento do conteúdo.
• Fallback: Se um usuário ou item carecer de um perfil OCEAN válido, o peso OCEAN ($\beta$) é realocado para a pontuação base ($\alpha$), garantindo que o sistema degrade graciosamente para a ordenação base.

Contribuições Principais

O artigo faz três contribuições específicas para a Track da Indústria de RecSys:

1. Padrão de Materialização de LLM Offline: Descreve um padrão para integrar perfis de conteúdo OCEAN derivados de LLMs em um reranker industrial sem exigir chamadas de LLM em tempo de solicitação, preservando assim a previsibilidade do caminho de serviço.
2. Representação no Mesmo Espaço: Define uma representação unificada onde os itens são perfilados a partir de metadados e os usuários são representados pela agregação com decaimento temporal dos perfis de itens consumidos, permitindo pontuação de compatibilidade direta sem alinhamento aprendido.
3. Avaliação com Retenção Temporal: Relata avaliações offline com os mesmos candidatos e retenção temporal em logs anonimizados de VOD de Samsung Smart TV usando geradores NCF e LightGCN, delimitando todas as alegações empíricas a essas configurações específicas.

Resultados

As avaliações foram conduzidas em logs anonimizados de um ambiente VOD de Samsung Smart TV, usando uma retenção temporal (dados de treinamento até 31 de março de 2026; avaliação de 1 a 27 de abril de 2026).

• Desempenho vs. Baselines:
  • Gerador NCF: O Ocean4Rec melhorou o NDCG@20 em 7,6% sobre a baseline mais forte "Base+Recência". As melhorias no HR@20 foram inconclusivas.
  • Gerador LightGCN: O Ocean4Rec melhorou o NDCG@20 em 61,5% sobre "Base+Recência" e o HR@20 em 67,3%.
• Análise de Componentes: O componente "Base+OCEAN" sozinho mostrou resultados mistos (melhorando o HR, mas às vezes reduzindo NDCG/MRR em comparação com a Base), indicando que o OCEAN é mais eficaz quando combinado com sinais de relevância base e recência.
• Diagnósticos Secundários: Comparações com uma implementação apenas de metadados do Persona4Rec em conjuntos de dados públicos (Amazon-Books, Yelp) mostraram resultados competitivos, embora o artigo observe que estes são verificações de sanidade e não baselines diretas de confronto devido a diferenças arquitetônicas (por exemplo, falta de fusão de pontuação base no diagnóstico).

Significado e Alegações

O artigo posiciona o Ocean4Rec não como uma solução universal, mas como um recurso auxiliar de conteúdo-gosto delimitado que preserva as vantagens de implantabilidade de um caminho de serviço sem LLM em tempo de solicitação.

• Estabilidade Operacional: O significado primário é arquitetônico: remove a variabilidade da construção de prompt, geração de tokens e invocação do modelo do loop crítico de serviço, garantindo latência e vazão previsíveis.
• Interpretabilidade: Diferentemente de embeddings densos, o espaço OCEAN de cinco dimensões fornece aos operadores um conjunto de recursos inspecionável para diagnosticar por que itens são promovidos ou rebaixados.
• Privacidade e Governança: O sistema separa estritamente os dados de comportamento do usuário das entradas do LLM (o LLM vê apenas metadados do item). Os vetores OCEAN do usuário são tratados como recursos internos de recomendação, não como rótulos psicológicos, com controles de governança específicos recomendados para retenção de perfis e monitoramento de exposição.
• Escopo Moderado: Os autores afirmam explicitamente que os resultados são estimativas pontuais offline. Eles não alegam impacto de teste A/B online, economias de latência medidas ou melhorias em resultados de negócios (por exemplo, retenção), observando que o custo total do sistema depende de fatores como tamanho do catálogo e cadência de lote, que não foram medidos. O trabalho serve como evidência da viabilidade da materialização de LLM offline em ambientes industriais.