RecGPT-V3：推薦システムを「履歴の再生」から「記憶する意図理解」へ

導入

推薦システムは、過去のクリック履歴から次のクリックを当てる仕組みから、ユーザーがなぜその行動を取ったのかを理解する仕組みへ進みつつあります。RecGPT-V3 Technical Report は、淘宝の推薦パイプラインで LLM を活用してきた RecGPT-V1、V2 の流れを引き継ぐものです。V3 の焦点は、LLM がユーザー意図を理解できるかどうかではなく、その理解を継続的に保持し、商品空間へ正確につなぎ、産業規模で低コストに動かせるかにあります。

核心ポイント

• 無状態処理から継続的なユーザー記憶へ：オンライン推薦では、リクエストごとにユーザーの長い行動履歴を再処理しがちです。これは計算資源を使うだけでなく、過去の分析結果を再利用できません。RecGPT-V3 は Memory Hub を導入し、長期行動を構造化された記憶単位へ圧縮し、継続的に更新します。報告では、ユーザーモデリングの計算量を 55.8% 削減したとされています。
• 曖昧なタグから具体的な商品 grounding へ：自然言語タグは複雑で自由度の高いニーズを表現できますが、ユーザー理解と具体的な商品の選択との間で情報が失われる可能性があります。V3 は自然言語タグと Semantic IDs（SIDs）を同時に扱うハイブリッドモーダル基盤モデルを使います。言語は意図を広く表し、SIDs はその意図を商品空間に直接結び付けます。
• 長い明示的推論から潜在推論へ：オンライン推薦で毎回長い chain-of-thought を生成すると、遅延とコストが大きくなります。Latent Intent Reasoning は、多数の明示的推論トークンをコンパクトな学習可能潜在トークンに内在化します。必要に応じて人間が読める説明へデコードできる点も維持されています。報告では、エンドツーエンド推論が 3.46 倍高速化し、出力トークンコストが 200 分の 1 になったとされています。
• 実運用での結果：RecGPT-V3 は淘宝ホームページの「Guess What You Like」フィードに導入済みです。大規模 A/B テストでは、IPV +1.28%、CTR +1.00%、TC +1.97%、GMV +3.97% が示され、同時にエンドツーエンドの serving リソース消費が 52.4% 削減されたと報告されています。

意義と影響

RecGPT-V3 の重要性は、LLM を推薦に使ったこと自体ではありません。記憶、商品 grounding、推論効率という実運用上の制約を同時に扱っている点にあります。Memory Hub はユーザー理解を一回限りの計算ではなく継続的な状態に変え、Semantic IDs は自然言語の意図を商品 ID の世界へ橋渡しします。潜在推論は、深い推論の利点を残しながら、オンラインサービスに必要な低遅延と低コストに近づける仕組みです。

この方向性は、今後の推薦システムにも示唆を与えます。LLM が従来の推薦基盤を丸ごと置き換えるのではなく、意図理解、記憶管理、説明生成のレイヤーとして、検索、ランキング、商品 ID、行動系列と組み合わされる可能性が高いでしょう。EC やコンテンツフィードでは、モデルの賢さだけでなく、高並行、低遅延、解釈可能性、商業指標のバランスが問われます。

提供された素材は技術レポートと紹介文が中心で、外部再現に関する詳細は限られています。それでも RecGPT-V3 は、本番環境の LLM 推薦に必要な要素を示す事例です。すなわち、持続的なユーザー記憶、具体的な商品 grounding、そしてリアルタイム serving を前提にした圧縮推論です。

出典：Hugging Face Daily Papers