生成型レコメンダーがスケールする推薦システムを再定義

記事の3ポイント

1. 1

   生成型推薦システム（GR）へのパラダイムシフト

   従来の埋め込み類似度に基づく目的関数から、ユーザーの履歴シーケンスに基づいてカタログ内の次のアクションやアイテムを予測する生成型アプローチへ移行する動向が示される。

2. 2

   大規模データ処理におけるボトルネック

   テラバイトからペタバイト規模に達するユーザー履歴データは、GPU の高帯域メモリ（HBM）に収まりきらず、学習と推論の過程で多くのボトルネックを引き起こすことが指摘される。

3. 3

   スパース性とロングテール問題

   アイテム数がユーザー数を遥かに超える環境では相互作用データが極めて希薄になり、人気アイテムへの偏りが激しく、ニッチなアイテムの学習信号が不足する課題がある。