# GenRec: Towards LLM-native Recommendation at Netflix **著者**: Ying Li, Arjun Rao, Shradha Sehgal(Netflix) **発行**: 2026-08 / Netflix TechBlog **URL**: https://netflixtechblog.com/genrec-towards-llm-native-recommendation-at-netflix-f20be6f643e3 --- ## 背景と問題設定 [[Netflix]] の現行本番推薦モデルは、ユーザー・アイテム・インタラクションに関する数千の手作り特徴量と、シーケンスモデリング・特徴量交互作用・マルチタスク目的関数向けの専用アーキテクチャを組み合わせたスタックである。長年の改良を経て映画・シリーズ・ゲーム・ライブ・ポッドキャストという多様なコンテンツ種別と複数のプロダクト面をサポートしてきたが、複雑さゆえに新しいユースケースのオンボーディングコストが高い——コンテンツ種別やプロダクト面を1つ追加するだけで、特徴量エンジニアリング・アーキテクチャ変更・インフラ整備・実験の一式が必要になる。 一方、[PLUM](https://arxiv.org/abs/2510.07784)・[GLIDE](https://arxiv.org/abs/2603.17540)・[OneRec-Think](https://arxiv.org/abs/2510.11639) といった近年の研究は、LLM の広い世界知識と強い言語理解が推薦を再定義しうることを示している。ユーザー履歴とアイテムメタデータを直接テキストとして表現し、共有された意味空間内でリッチな関係を捉え、自然言語プロンプトで推薦を誘導できる。しかし既製の LLM をそのまま推薦器として使うと、グローバルに人気のコンテンツを過剰推薦する・カタログ外アイテムを幻覚する・ビジネス制約を無視する・パーソナライゼーションが限定的、といった課題が残る。 これに対し Netflix は **GenRec** ——内製の基盤 LLM を Netflix 固有データと目的関数で post-train した LLM バックエンドの推薦ランカー——を構築した。GenRec は、成熟した本番システムに比べてはるかに少ないラベル付きデータと入力信号で、それに匹敵するか上回る性能を達成できることを示す。 タスク設定はフルカタログランキング(候補集合が与えられる場合は top-*K* ランキング)である。ユーザー *u*・インタラクション履歴 *H*・文脈 *τ*(デバイス・プロダクト面・ロケール・時刻等)を与えると、GenRec はカタログ *C* 全体に対する個人化ランキング *π* を出力する。最適化対象は短期的なエンゲージメントではなく、**期待される長期的な会員効用**(満足度・継続率の代理指標)である。 ## 2フェーズ学習フレームワーク GenRec は以下の 2 フェーズで訓練される。 ![[_attachments/genrec-towards-llm-native-recommendation-at-netflix/fig02-two-phase-framework.png]] (Figure 2. 2フェーズ学習フレームワーク。Phase 1 はオープンソースモデルを Netflix データで低頻度に事前学習し基盤 LLM を作り、Phase 2 は高頻度・タスク特化の post-training で GenRec を得る。) ### Phase 1 — Netflix適応基盤LLM オープンソース LLM を出発点に、Netflix 固有のコーパスで Netflix コンテンツ理解・会員の行動/嗜好パターン・一般的な言語理解と生成能力を学習させる。Phase 1 は更新頻度が低く、複数アプリケーションで共有される Netflix 認識バックボーンとして機能する。 ### Phase 2 — GenRec本体 Phase 1 のモデルをランキング特化のデータと目的関数で post-train し、高品質なランキングモデルへ転換する。ランキング品質と誘導性に注力し、複数の報酬シグナルを reward-weighted loss として組み込み、新規コンテンツと嗜好変化を追うため Phase 1 より高頻度で更新され、サービングコスト制約下で明示的に最適化される。 ## 会話としての学習データ Netflix 会員は視聴・再生・視聴時間・サムズアップ/ダウン・リスト追加・離脱など、数千億件規模のインタラクションイベントを生成する。GenRec はこのログデータを、ユーザーと推薦器の間の**単一ターンまたは複数ターンの「会話」**へ変換する。各ターンは、文脈・プロフィール・履歴・アイテムメタデータ・タスク(何を視聴/サムズするか推薦する等)を言語化した**ユーザーメッセージ**と、実際にどのタイトルが再生されどれだけ視聴されどんなフィードバックが得られたかを表す**アシスタントメッセージ**からなる。 Phase-2 学習では、アシスタントメッセージがユーザーメッセージにどう依存するかを LLM に学習させることで、言語モデリング(LM)目的とランキング目的の両方を同時にサポートする。推論時には言語化された文脈のみを入力し、カタログ対応スコアリングヘッドでアイテムをランキングする——アシスタントメッセージのデコードは行わない。会話形式は主に学習時の LM 目的維持と、言語化テキストに対する強い言語理解の保持に使われる。 ## 言語化とコンテキストエンジニアリング 従来の推薦器は密な特徴量と埋め込みの上で動くが、GenRec は豊富なユーザー履歴と文脈を自然言語として**言語化**し、生のインタラクションシグナルを LLM の意味空間へ直接エンコードする。これにより、手作業の特徴量エンジニアリングに頼らず、アイテム間の関係や進化するユーザー関心といった高次パターンの発見をモデル自身に委ねる。 しかし履歴のすべてのインタラクションを愚直に言語化するとトークン予算をすぐ超過し、Netflix 規模ではコストが過大になる。コンテキストウィンドウが新しい「特徴量予算」になるため、[Anthropic のコンテキストエンジニアリング](https://www.anthropic.com/engineering/effective-context-engineering-for-ai-agents)の考え方を適用する。 - **全文保持**: 長時間再生・サムズアップなど高シグナルなエンゲージメントは詳細ごと残す - **省略**: 短時間再生・ホバー等の低シグナルイベントは落とす - **要約/圧縮**: ビンジ視聴のような反復行動はまとめる - **選択的に詳述**: 新作・コールドスタートアイテムなど重要なものは厚く書く 固定トークン予算の中で最近・高シグナルな履歴を優先し、古い履歴を圧縮または削除する。またプレフィックスキャッシュ効率を高めるため、プロンプトの共有プレフィックスが最大化されるよう構造化する。目標は、コストを抑えつつランキング品質を保つ**コンパクトで高情報密度なプロンプト**である。 ![[_attachments/genrec-towards-llm-native-recommendation-at-netflix/fig01-pipeline.png]] (Figure 1. GenRec パイプライン。ユーザー履歴・アイテムメタデータ・文脈の生ログをコンテキストエンジニアリングで自然言語プロンプトへ変換し、prefill-only モードで vLLM 上で動く GenRec がカタログ内アイテムごとのスコアを出力し、推薦ランキングを得る。) ## 目的関数: ランキング・言語・報酬 GenRec 全体は、ランキング目的・言語モデリング目的・報酬重み付け学習によるアラインメントを組み合わせた**マルチ目的損失**で学習される。 ### 1. カタログ対応ランキング目的 主要タスクは、エンゲージメント品質でアイテムをスコアリングするよう学習させる**ランキング目的**である。十分に長い再生や明確な明示的フィードバックといった高価値なエンゲージメントを、閾値とノイズ除去ロジックにより正例としてラベル付けし、言語化された文脈が与えられたときにこれら正例へより高いスコアを割り当てるよう、カタログ(または候補集合)全体に対する交差エントロピー損失でモデルを訓練する。 ### 2. 言語モデリング目的 言語化された入出力に対する**言語モデリング(LM)**目的も維持する。これはモデルの一般的な言語理解を保ち、豊富な自然言語の履歴・アイテムメタデータを解釈する能力を高め、推薦理由の説明のようなテキスト生成ユースケースへの扉を開いたままにする。 ### 3. アラインメントのための報酬重み付け損失 生のランキング精度だけでなく、GenRec は (1) 映画・シリーズ・ゲーム・ライブ・ポッドキャストのバランスといったビジネス要件の遵守、(2) 直近のクリックや再生ではなく長期的な会員満足度の最適化、の 2 つを満たす必要がある。生のインタラクション系列だけで学習すると、ビンジ視聴への過度な偏りや特定コンテンツ種別への偏重といった望ましくない挙動を招く。そこで別建ての[報酬モデル](https://dl.acm.org/doi/abs/10.1145/3604915.3608873)由来のシグナルで**ランキング損失を重み付け**する。各学習例は次の2種のシグナルから導かれるスカラー重みを受け取る。 - **長期満足度の代理指標**: 短期的なエンゲージメントが復帰行動・カタログ探索・持続的エンゲージメントといった長期的成果へどれだけ寄与するかを推定する - **行動リバランシング**: コンテンツ種別・ローンチ段階(ゲーム対映画、新作対定番タイトル等)にまたがる行動を事業目標に合わせて調整する 高価値なエンゲージメントほど大きな重みを、低価値なものほど小さな重みを持つようランキング損失をスケールする。この**報酬重み付けアプローチ**は、完全な強化学習より単純かつコスト効率が高く、実務上有効なアラインメントを提供する。GRPO のような RL 系手法からの追加的な改善も確認しているが、コストの高さから今後の課題として残している。 ## モデルアーキテクチャとサービング ### バックボーンとスコアリングヘッド GenRec のアーキテクチャは基盤 LLM に忠実に従う**デコーダオンリー Transformer**で、Netflix カタログ内アイテムのみをスコアリングする**カタログ対応ランキングヘッド**を追加する。スコアリングパイプラインは次の3段階である。 1. **言語化**: 言語化器 *V* がユーザー履歴 *H*・文脈 *τ*・関連アイテムメタデータを単一のテキスト系列 *x* へシリアライズする 2. **プーリング表現**: LLM が *x* を処理し、ユーザーの現在の嗜好と文脈を要約するプーリング済み隠れ状態 *h* を抽出する 3. **カタログ対応スコアリング**: カタログ内アイテム *i* ごとに学習済み埋め込み *eᵢ* を持ち、スコアリングヘッド *ϕ* が *h* と *eᵢ* を(内積や小型 MLP 等で)組み合わせてスコア *sᵢ* を出す。スコアへ softmax を適用した確率分布からランキング *π* を得る バックボーン・スコアリングヘッド・アイテム埋め込みはすべて同時に学習される。カタログが非常に大きい場合、sampled softmax や候補集合を用いて学習/推論を効率化できる。 ### サービングとコスト最適化 GenRec は [Netflix の内製 LLM サービングスタック](https://netflixtechblog.com/in-house-llm-serving-at-netflix-a5a8e799ea2c)上で vLLM を用いてサービングされる(参照: [[@2026__Netflix TechBlog__In-House LLM Serving at Netflix]])。Netflix 規模でのサービングコストは主に (1) モデルサイズ、(2) コンテキスト長、(3) 推論モード(prefill 対 自己回帰デコード)で決まる。コストは次の3戦略で制御する。 - **小型/蒸留モデル**: より大きく/よりターゲットを絞ったデータセットとともに小型または蒸留済み基盤モデルで訓練し、低いサービングコストで大規模モデルの品質の大半を得る - **積極的なコンテキスト圧縮**: 前述のコンテキストエンジニアリングでトークン数を最小化しつつランキング品質を保つ - **prefill-only 推論**: 大規模候補集合に対する自己回帰デコードは法外に高価になるため、プロンプトを1回消費し1回のフォワードパスで候補集合全体をスコアリングする——トークンごとのデコードは行わない prefill-only モードで実行する ## オフライン・オンライン実験 長年チューニングされてきた**成熟した本番ランカー**(数千の密/埋め込み特徴量と、特徴量交互作用・シーケンスモデリング向けのカスタムアーキテクチャに依存)を比較対象に、オフライン評価指標と大規模オンライン A/B テストの両方で GenRec を評価した。 **オフライン**では、GenRec ははるかに少ない入力信号とラベル付き学習例で本番ランカーを上回った。Phase-2 のラベル付き学習例が**約40分の1**という条件でも、Mean Reciprocal Rank(MRR)で約 **+1.6%** の改善を達成した。Phase-2 の学習データを増やし入力信号を豊富にするほど、GenRec のオフライン指標はさらに改善し続けた。 **オンライン**では、バッチ計算型の推薦面を対象に、Netflix トラフィックの**約10%**を対象とした約4週間の大規模 A/B テストを実施した。このような低データ・低信号な構成でも、GenRec は短期・長期双方のオンライン指標で本番ベースラインに対し**統計的に有意な改善**を達成した。 ![[_attachments/genrec-towards-llm-native-recommendation-at-netflix/fig03-online-metrics.png]] (Figure 3. GenRec 対本番モデルのオンライン指標。短期的なホームページエンゲージメント指標で +0.115%(P = 3.1×10⁻¹⁰)、長期的なコア指標で +0.006%(P = 0.025)と、いずれも統計的に有意な改善を達成している。) ### データ・モデル・フェーズ別の寄与 **データ/モデルスケーリング**: 約1Bと約10Bパラメータのバックボーンいずれでも、Phase-2 の post-training データを増やすほどオフライン MRR は改善する。大きなモデルはより高い絶対 MRR に到達するが、スケーリング曲線の形状は類似する。固定学習予算の下で約1B〜約10Bへモデルサイズを変えて post-train したところ、大きなバックボーンほど一貫して高いオフライン MRR を達成した。 **Phase-1 対 OSS、Phase-2 対 Phase-1**: Netflix 適応済みの Phase-1 基盤 LLM を出発点にすると、既製 LLM から直接始める場合と比べてオフラインランキング指標がおよそ **10〜20%** 改善する。Phase-2 の post-training は、Phase-1 の学習カットオフ直近で評価した場合にさらに **35〜50%** の改善を追加する(下表)。時間が経ち Phase-1 が新規コンテンツと嗜好変化に対して陳腐化するにつれ、Phase-2 の相対的な効果は2週間後には約80%まで拡大する。 | | オフラインランキング指標(MRR) | |---|---| | Phase 1 の寄与 | OSS モデルをベースにした場合比 +10〜20% | | Phase 2 の寄与 | 新しく学習した Phase 1 比 +35〜50%(時間経過で拡大) | **本番ランカーに対するデータ効率**: 強い Phase-1 モデルを出発点にすると、GenRec は構成に応じて Phase-2 のラベル付き学習例を**10〜40分の1**しか使わずに本番ランカーと同等以上の性能に達する。Phase 2 は Phase 1 よりはるかに高頻度で更新されるため、この限界的なデータ効率は特に価値が高い。 ### コンテキスト長の最適化 コンテキスト長は**品質**と**コスト**の両方を左右する——長い言語化ほど多くの行動と文脈を露出できるが、学習・サービングのコストも増える。このトレードオフを調べるため、コンテキスト長と冗長性を3段階で変化させ最適化した。 1. **イベントの整理と圧縮**: 低シグナルなエンゲージメントを落とし、反復行動を圧縮してクリーンなイベント系列を作る 2. **「エルボーポイント」の特定**: 履歴イベントをいくつ含めるかを変えながら MRR をイベント数に対してプロットし、それ以上コンテキストを増やしても収穫逓減になる点を特定する 3. **冗長性の最適化**: 保持したイベントについて、詳細度と簡略化された言い回しのレベルを変えて MRR を測定する 実験では、オフラインランキング指標のほぼ無視できる劣化で、コンテキストトークンを元の予算の約**3分の1**まで削減できた。サービングコストはコンテキスト長にほぼ比例するため、コストもほぼ同程度削減できた。 ![[_attachments/genrec-towards-llm-native-recommendation-at-netflix/fig05-context-length-elbow.png]] (Figure 5. オフラインランキング指標(正規化)とプロンプトに含めるユーザーエンゲージメントイベント数の関係。イベント数 N ではベースライン比 −7.9% と品質が劣化し、2N(現在の選択)でベースラインに達し、3N まで増やしても +1.7% と収穫逓減になる「エルボーポイント」を示す。) ## LLMネイティブ推薦へ向けて GenRec は既存ランカーの「Transformer への差し替え」以上のものであり、Netflix における**LLM ネイティブ推薦**へのより広範な転換を示唆する。具体的には次の変化がある。 - **特徴量エンジニアリングからコンテキストエンジニアリングへ**: 従来の RecSys スタックは大規模な特徴量集合と重厚な特徴量インフラを中心に構築されるが、LLM 中心のシステムは生ログ・メタデータ・ツールから**リッチなテキスト文脈を構築すること**を中心に据える。「プロンプト」が新しい特徴量ベクトルになる - **カスタムアーキテクチャから基盤バックボーンへ**: 従来は推薦タスクごとに専用アーキテクチャ(two-tower モデル、DLRM 系ネットワーク等)を持っていたが、LLM 中心の世界では多くのタスクが**共通の基盤バックボーン**を共有し、差別化はデータと言語化戦略・post-training 目的と報酬・推論最適化から生まれる - **設計指針としてのスケーリング則**: LLM バックボーンを使うことで、推薦はより明確な**データ・モデルのスケーリング挙動**を継承し、コスト制約内でデータとモデルを増やすほど品質が一貫して向上する、より広い LLM パラダイムに近づく - **RecSys インフラから LLM インフラへ**: LLM バックエンドの推薦器は、GPU アクセラレーション・vLLM/Triton ベース・注意深いバッチング/キャッシングという**LLM 流のインフラ**へ押し出す ## 結論 Netflix は、社内の基盤 LLM を大規模パーソナライゼーション向けに適応させた LLM バックエンドの推薦ランカー GenRec を提示した。ユーザー履歴・文脈・アイテムメタデータを言語化し、カタログ対応ランキングヘッドを追加し、長期満足度と事業目標に整合する報酬重み付け目的関数を用い、LLM インフラ上で効率的にサービングすることで、**Phase-2 のラベルと入力信号をはるかに少なく使いながら強力な本番ランカーを上回るモデル**を得た。GenRec は Netflix における、より LLM 中心の推薦スタックへ向けた初期の有望な一歩と位置づけられる。 ## コントリビューション GenRec は Netflix 内の複数チーム・組織による緊密な協業の成果である。**AI for members**: Arjun Rao, Ashish Rastogi, Baolin Li, Fernando Amat Gil, Grace Huang, Justin Basilico, Kamelia Aryafar, Linas Baltrunas, Moumita Bhattacharya, Ogheneovo Dibie, Rein Houthooft, Shradha Sehgal, Sejoon Oh, Sergi Perez, Sourabh Medapati, Thea Wang, Yaochen Zhu, Yesu Feng, Ying Li, Yun Li, Yucheng Shi, Yunan Hu。**AI platform and serving**: Abhishek Agrawal, Adam Singer, Binh Tang, Daneo Zhang, Derek Olejnik, Ed Maddox, Erik Osheim, Lingyi Liu, Liping Peng, Meghana Chilukuri, Nicolas Hortiguera, Shaojing Li, ZQ Zhang。**Product**: Ilke Kaya, Michelle Kislak, Scarlet Chen, Si Cheng。 ## 関連概念・エンティティ - [[Netflix]] — 本記事の実装主体。既存の推薦スタックとの対比、内製 LLM サービング基盤との接続点 - [[LLMネイティブ推薦]] — 本記事が提示する verbalization・catalog-aware scoring head・prefill-only serving・報酬重み付けアラインメントを統合した新規 concept - [[コンテキストエンジニアリング]] — 特徴量エンジニアリングの代替として RecSys 領域へ適用された事例。既存 concept(AI エージェント開発領域)に横断的知見を追加 - [[LLM推論]] — prefill-only モードでのフルカタログスコアリング。BatchLLM が挙げる「オフラインランキング」ユースケースの具体例にあたる - [[@2026__Netflix TechBlog__In-House LLM Serving at Netflix]] — GenRec がサービングに使う内製 vLLM/Triton スタックの詳細