レコメンデーションはNetflix体験の最も重要な部分の1つです。元のNetflixレコメンデーションエンジンは、ユーザー、アイテム、インタラクションにわたる数千の手作りの特徴の上に構築されました。長年にわたってこのスタックに多くの変更が加えられましたが、それでもかなり複雑です。新しいユースケースを導入するのはコストがかかります。
大規模言語モデル（LLM）は、ユーザーに物事を推薦する能力において大きな進歩を遂げました。より広範な世界知識と言語理解により、LLMは異なるもの間の関係を見つけ出すのに優れています。しかし、Netflixのような企業向けにレコメンデーションを生成するために、既製のLLMをそのまま使用することはできません。これが、NetflixのエンジニアリングチームがGen Recを構築した理由です。
Gen Recの背後にある基本的な考え方は、LLMを使用してユーザーの視聴履歴をよりよく理解し、Netflixでストリーミングされているさまざまな映画やテレビ番組にスコアを割り当てることです。Netflixは、コンテンツとメンバーの行動に合わせてベースモデルに一連の調整を行う必要があります。
レコメンデーションシステムは、基本的な質問に答える必要があります：レコメンデーションのリストに最初に何を表示すべきか？レコメンデーションの順序は、ランカーとして知られるコンポーネントによって処理されます。特定の状況で特定のユーザーにどれだけ適しているかに基づいて、さまざまなアイテムにスコアを割り当てます。アイテムのスコアが高いほど、より上位に表示されます。
出典: ByteByteGo · 要約：HeadlinesBriefing