HSTUとGenerative Recommenders：行動履歴から1.5兆パラメータの推薦モデルへ
MetaのHSTU論文を、推薦のsequential transduction化、pointwise attention、Stochastic Length、M-FALCON、公開実験と本番環境評価の限界から解説します。
Tag
#Recommendation System
7件の記事
DV365：Instagramは7万件の行動履歴をどう推薦に使ったか
MetaのDV365を、Multi-slicing、Funnel Summarization、オフライン埋め込み、15モデルへの展開、精度・鮮度・コストの検証から解説します。
NetflixのGenRec解説：LLMを生成させず推薦ランキングモデルとして使う
NetflixのLLM推薦モデルGenRecを、2段階学習、コンテキスト設計、catalog-aware ranking head、reward-weighted loss、prefill-only推論、A/B testの結果と限界から解説します。
TIGER：Semantic IDを生成して商品を検索する推薦モデル
NeurIPS 2023のTIGERを、RQ-VAEによるSemantic ID、自己回帰検索、Amazon Reviewsでの評価、コールドスタートと推論コストの限界から解説します。
RPG：64トークンのSemantic IDを並列生成する推薦モデル
KDD 2025のRPGを、OPQによる長いSemantic ID、multi-token prediction、graph-constrained decoding、評価結果と再現時の注意点から解説します。
Semantic ID prefix n-gram：推薦モデルのhash衝突を「意味の共有」に変える
Metaの広告ランキング論文をもとに、RQ-VAEによる階層Semantic ID、prefix n-gram、ロングテール・コールドスタート・予測安定性への効果と本番環境導入上の注意点を解説します。
Meta Adaptive Ranking Model：LLM級の広告ランキングを100ms台で配信する設計
MetaがInstagram広告へ導入したAdaptive Ranking Modelを、リクエスト単位の計算共有、Wukong Turbo、FP8、multi-GPU embeddingと公開情報の限界から解説します。