AIがレコメンド精度を自己進化させる新手法

ECや動画配信のレコメンドエンジンは長年「ユーザーの履歴をどう分析するか」に集中してきた。ところが発表された論文HARPは、問題の設定自体を変えている。

注目したいのは「非対称性」という指摘だ。従来の手法では、ユーザーには「この人はこういう好みを持つ」という構造化されたプロフィールが与えられる一方、商品（アイテム）側には相当する自己紹介がない。片方だけが「自分を語れる」状態で対話しているようなもの——HARP論文はこの非対称を根本的な欠陥と捉え、解消しようとしている。

発想の転換はシンプルで、レコメンドを「ユーザーとアイテムが互いを理解しようとするコミュニケーションのプロセス」として再定義する。この視点は、AIが自律で研究を完結する時代が来たという文脈とも地続きで、AIが単なる分類器ではなくエージェントとして振る舞う設計が研究レベルで広がっていることの表れでもある。

HARPが実装する仕組みは大きく三つに分かれる。

まず、アイテム側のプロフィール自動生成。商品のカテゴリ・タグ・評価傾向などのルールベースの情報から、追加のLLM呼び出しゼロで「商品の自己紹介文」を構築する。コストを増やさずにユーザーとアイテムの非対称を埋める点が実用上の肝だ。

次に、このプロフィール同士の「相性スコア」をレコメンドの検索段階（リトリーバル）で使うこと。従来は絞り込みを終えた後の再ランキングのタイミングでしか使われていなかった。検索そのものに組み込むことで、後から見直す候補の質が上がる構造になっている。

三つ目が、ユーザープロフィールの自己更新。従来は初期学習後に固定されていたユーザー像を、新しい行動データをもとに「振り返りによる書き換え」で随時更新する。gradient（勾配）計算も追加学習も不要で、いわばLLMの文脈内推論だけでプロフィールが進化していく。

4つの公開データセットでの実験では、既存のLLMベース推薦システムに対してこの三つの追加だけで精度が改善したと発表されている。重要なのは、ベースとなるLLM本体には手を加えないため、すでに動いているシステムへの組み込み負担が小さい点だ。

この研究が直接刺さるのは、ShopifyやBASEなどでECを運営していて「レコメンドの精度が上げたい」と思っているケースや、NotionやObsidianで自分のコンテンツライブラリを管理しながら「関連コンテンツの紐づけがうまくいかない」と感じているケースだ。

手法の本質を実務的に言い換えると、「検索対象にも検索者と同じ粒度のメタ情報を持たせると、マッチング精度が上がる」ということになる。たとえば商品一覧に「誰が買いやすいか」「どんな用途に向くか」を構造化してタグづけすることは、HARPのアイテムプロフィール生成に近い発想だ。AIを使えばこのタグ付け作業自体を自動化できる。

もう一つ注目したいのは「ユーザープロフィールを固定しない」という設計思想。現実のユーザーの興味は変わる。初期の行動データだけで固定されたペルソナに縛られるより、直近の行動を反映して像を更新していく仕組みのほうが実態に近い。これはレコメンドエンジンの話に限らず、LLMに「あなたについて」を記憶させるときの設計にも転用できる考え方だ。