推薦システムの検索モデルを一切いじらずに、後付けの軽量な「検証器」を1つ足すだけでRecallが大きく伸びる。Metaのチームがそんな手法を発表しました。 タイトル: Recommendation Retrievers Need Verifiers: Universal Generative Reranking for Sequential Recommendations URL: 既存の検索モデル（ドラフター）を凍結したまま、候補アイテムの識別子トークンを生成的に評価する軽量ベリファイアを追加する「ドラフター・ベリファイア」構成を提案しています。 🌐 注目ポイント1: カタログが大きいほど効く 音楽推薦データセットYaMBDaでは、カタログ規模が大きくなるほど改善幅が拡大しました。最大規模（46億相互作用）ではRecall@10が最大29.8%も向上しています。 🧩 注目ポイント2: どんなドラフターにも刺さる汎用性 自己注意ベースのSASRec、リカレント型のGRU4Rec、畳み込み型のNextItNet、さらにLLMベースのMiniOneRecまで、性質の異なる4種類すべてで同じ訓練レシピが機能しました。 🔬 注目ポイント3: 効いているのは「生成的な検証」そのもの ドラフターに直接コンテンツ情報を注入すると単体性能はむしろ下がりますが、そこにベリファイアを足すと回復します。改善は単純な特徴注入ではなく、出力側の生成的な検証プロセスそのものから生まれていることが実証されました。 検索インデックスを変えずに後付けできる点が、大規模実運用への導入しやすさとして大きいと感じました。 #推薦システム# #機械学習#

テストスクリーニングでは、Excellent+Very Goodが84%(平均値64%)、Recommendation(他人に推薦するかどうか)でDefinitely(絶対する)と答えた人が73%(平均値50%)だった。高評価すぎて震えた。公開されて分母が増えた今も(普通は落ちる)Rotten Tomatoesで98%！これは全人類見ろってことだね！笑

✨ コスプレしてほしいキャラクターを募集中です！✨ 「このキャラやってほしい！」というおすすめがあれば、ぜひ教えてください💕 名前＋画像付きだと嬉しいです！ ✨ I’m looking for cosplay character recommendations! ✨ Feel free to suggest characters you’d love to see me cosplay — names + pictures are very welcome 💖

# OpenAI Agent SDKの便利で実践的な使い方 🌍 エージェントに必要な情報を型安全に注入しましょう！ Local contextを使えば、ユーザー情報やロガー、データフェッチャーを依存注入のように渡せます。 📌 タイトル：Context management – Local context 🔗 URL： 🧩 概要 OpenAI Agent SDKのLocal context機能は、エージェントとツールに対して型安全な依存注入を提供します。`context`パラメータにPydanticモデルやdataclassを渡すことで、ツール関数内からユーザー情報やロガー、外部サービスのクライアントにアクセスできます。`Agent[UserInfo]`のジェネリック型により、コンテキストの型不一致をコンパイル時に検出できます。 🛠 使い方 `dataclass` で `UserInfo(uid, name, is_premium)` を定義し、`@tool` デコレータ付きの関数で `ToolContext[UserInfo]` を受け取ります。例えば `get_recommendations(wrapper: ToolContext[UserInfo], category: str)` では `wrapper.context` からユーザー情報にアクセスし、` に応じてプレミアム/通常のおすすめを返せます。`debug_tool` では `wrapper.tool_name`、`wrapper.tool_call_id`、`wrapper.tool_arguments` でデバッグ情報を取得できます。エージェントは `Agent[UserInfo]` のジェネリック型で定義し、`Agent(name="personal_assistant", instructions="ユーザーに合わせた回答をしてください", tools=[get_recommendations, debug_tool])` のようにツールを登録します。実行時は `UserInfo(uid="u_12345", name="田中太郎", is_premium=True)` を作り、`await "おすすめの本を教えて", context=user)` で渡します。 より実践的には、`AppContext` dataclass に `user: UserInfo`、`logger: logging.Logger`、`db: DatabaseClient`、`feature_flags: dict[str, bool]` をまとめます。`fetch_order_history(wrapper: ToolContext[AppContext], limit: int = 10)` では `ctx = wrapper.context` でコンテキストを取得し、` でログ出力、`ctx.feature_flags.get("new_order_api")` でフィーチャーフラグに応じた分岐、`ctx.db.get_orders(ctx.user.uid, limit)` でDB問い合わせを行います。`Agent[AppContext]` として `Agent(name="order_assistant", tools=[fetch_order_history])` を定義します。 🏗 実践的な使い方 Local contextの最大の価値は、ツール関数をピュアなビジネスロジックに保てることです。ユーザー情報やDBクライアントをグローバル変数で参照する代わりに、contextから注入することで、テスタビリティが大幅に向上します。テスト時にはモックのコンテキストを渡すだけです。 `ToolContext`の`tool_name`、`tool_call_id`、`tool_arguments`は、構造化ログに不可欠です。どのツールがどの引数で呼ばれたかをトレースでき、本番環境のデバッグが容易になります。 `Agent[UserInfo]`のジェネリック型を使うと、型チェッカー（mypy等）がコンテキストの型不一致を検出します。例えば、`Agent[UserInfo]`に`AppContext`を渡そうとするとコンパイルエラーになります。これにより、ランタイムエラーを防げます。 フィーチャーフラグや設定値もコンテキスト経由で渡すパターンが有効です。環境ごとに異なる挙動を、コンテキストの値で制御できます。 💡 ユースケース 👤 ユーザーのプレミアム/フリー区分に応じたパーソナライズ 📝 tool_call_idを使った構造化ログとトレーシング 🧪 テスト時のモックコンテキスト注入によるユニットテスト 🚩 フィーチャーフラグによるツールの挙動切り替え ⚠️ 注意点 - コンテキストにシークレット（APIキー等）を含めると、ステートのシリアライズ時に漏洩する可能性があります - コンテキストオブジェクトは実行中に共有されるため、ミュータブルな状態の変更はスレッドセーフに注意してください - `Agent[T]`のジェネリック型チェックは静的解析ツール依存です。ランタイムでは強制されません - 巨大なオブジェクト（大量データ等）をコンテキストに入れるとメモリ効率が悪化します ✨ Local contextにより、クリーンなアーキテクチャでテスタブルなエージェントが構築できます！ #OpenAIAgentSDK# #AIAgent#

生成的推薦の世界で、みんなが「良いセマンティックID設計とはこういうものだ」と何となく信じてきたことを、大規模な追試で一つひとつ検証してみたらどうなるか。 🔍 生成的推薦モデルは、アイテムを離散トークン列「セマンティックID」に変換し、次に推薦すべきアイテムを自己回帰的に生成します。RQ-VAE、OPQ、RQ-Kmeansなど設計手法は乱立していますが、比較されるデータセットやバックボーンがバラバラで、どの設計が本当に優れているのか誰も確信を持てていませんでした。 そこで著者らは、同じデータ分割・同じ評価プロトコルのもとで12手法を横並びに再現実験。すると意外な事実が次々と浮かび上がります。データセットが変われば最良の手法も変わり、万能なSID設計は存在しないこと。コードブックの利用バランスをどれだけ整えても、推薦精度との相関はほぼゼロであること。コードを長くしても必ずしも性能は上がらず、モデルを大きくしても精度が落ちることさえあること。 そしてアイテム同士の「意味的な近さ」をどれだけ保てているかを測ると、指標（JaccardかRBOか）によって勝者となる手法が入れ替わる。良いSID設計とは、単一の指標を追い求めることではなく、複数の観点を同時にバランスさせることだと、この論文 What Makes a Good Semantic ID for Generative Recommendation? A Reproducibility Study は教えてくれます。 URL: #推薦システム# #再現性研究#