Upgrade to Pro — share decks privately, control downloads, hide ads and more …

利用シーンを意識した推薦システム 〜SpotifyとAmazonの事例から〜

利用シーンを意識した推薦システム 〜SpotifyとAmazonの事例から〜

IR Reading 2025春での発表資料です。
https://sigirtokyo.github.io/post/2025-05-24-irreading_2025spring/

紹介した論文は以下の2本です。
- Contextualizing Spotify’s Audiobook List Recommendations with Descriptive Shelves (ECIR 2025)
https://doi.org/10.48550/arXiv.2504.13572
- Using Instruction-Tuned LMs for Scalable Use Case-Based Shopping - Where Customers Meet Their Needs (KDD 2025)
https://assets.amazon.science/6c/81/a33d7efe45c7a62ab4c9503a7aa0/using-instruction-tuned-lms-for-scalable-use-case-based-shopping-where-customers-meet-their-needs.pdf

kuri8ive

May 24, 2025

Transcript

24 slides
  1. IR Reading 2025春 2025年5月24日 利用シーンを意識した推薦システム 〜SpotifyとAmazonの事例から〜 Contextualizing Spotify’s Audiobook List

    Recommendations with Descriptive Shelves (ECIR 2025) Using Instruction-Tuned LMs for Scalable Use Case-Based Shopping - Where Customers Meet Their Needs (KDD 2025) 栗本 真太郎(@kuri8ive) ※ 断りのない限り、図表は紹介論文からの引用 or ChatGPTによる生成です
  2. 6/24 タイトル、著者、説明、BISACジャンルを入れ、LLMに以下10種の記述子を出してもらう LLMさんによろしく 分類 例 ジャンル 児童文学 テーマ or トピック

    国際政治 キャラクター 女性主人公 ムード 冒険的 背景 中国の文化大革命 個人的な状況 喪失感への対処 物語の類型 敵から恋人へ ターゲット読者層 児童 目的 日本語を学ぶ 固有名詞 ブリトニー・スピアーズ
  3. 7/24 記述的本棚生成のパイプライン [4] Personalized audiobook recommendations at spotify through graph

    neural networks (TheWebConf'24) two-towerモデル[4]で 本推薦 & LLMによる記述子生成 記述子の重複排除 & ユーザーの嗜好に基づく 記述子ランク付け & 貪欲多様化 本棚タイトルに 合うよう アイテムを並び替え & フィルタリング 上位の本棚を選抜
  4. 8/24 編集者お手製の本棚とA/Bテストで比較 ⚫エンゲージメント指標が改善 ⚫ インプレッションあたりのクリック率 (i2c): +35.25% ⚫ インプレッションあたりの視聴率 (i2s):

    +86.96% ⚫発見指標が改善 ⚫ インプレッション数(ユニークなオーディオブック数): +627.27% ⚫ インタラクト数(ユニークなオーディオブック数): +804.56% 記述的本棚はクリックや視聴、発見の体験まで改善
  5. 14/24 予備実験とアスペクトベース感情トリプレット抽出の結果から、FLAN-T5[10]を選択 (T5をインストラクションチューニングしたモデルで、高いゼロ/フューショット性能) ⚫FLAN-T5-Large (780M parameters) ⚫FLAN-T5-XL (3B parameters) ⚫FLAN-T5-XL

    + LoRA[8] の3種で実験 (1/3)ユースケースと感情抽出(UCSE)に用いる手法 [10] The Flan Collection: Designing Data and Methods for Effective Instruction Tuning. (arXiv’23) [8] LoRA: Low-Rank Adaptation of Large Language Models (arXIv’21)
  6. 19/24 手法 ⚫KMeans ⚫LDA ⚫Claude 2 評価指標 ⚫クラスターの質評価:シルエットスコア ⚫ クラスター内は密集しているほどよく、クラスター同士は離れているほどよい、とする指標

    ⚫ -1〜1 の範囲で、1 に近いほどクラスタリングの品質が高いことを示す ⚫クラスターの名前評価:コサイン類似度 ⚫ 名前とクラスターのエンティティとの類似度で評価 (2/3)主要なユースケース(DU)特定に用いる手法と評価指標
  7. 22/24 約2,500万件の顧客検索セッションを対象に、4週間のA/Bテストで評価 ⚫収益が改善 ⚫ 検索ページで +0.77%、閲覧ページで +0.94% 、製品詳細ページで +0.44% ⚫販売個数が改善

    ⚫ 検索ページで +0.35%、閲覧ページで +0.51% 、製品詳細ページで +0.23% ⚫クリック率が改善 ⚫ 検索ページで +0.15% ユースケースに基づく推薦は収益、販売個数、クリック率を改善

More Decks by kuri8ive

Other Decks in Research