生成型レコメンダー（Generative Recommender / GR）は、ユーザーとアイテムの類似度マッチングに頼る従来の推薦システムとは異なり、推薦タスクを「行動履歴のシーケンスから次のアイテムを予測・生成する問題」として再定義したアーキテクチャである。大規模言語モデル（LLM）が次の単語を予測する仕組みと同様のアプローチを推薦領域に適用している点が最大の特徴だ。
概要
従来の深層学習推薦モデル（DLRM）は、ユーザーとアイテムをそれぞれ埋め込みベクトルに変換し、その類似度（内積など）でスコアリングする方式を採ってきた。生成型レコメンダー（GR）はこの枠組みを根本から見直し、推薦を「ユーザーの行動シーケンスから次のイベント（アイテムやアクション）を自己回帰的に予測するシーケンスモデリング問題」として再定式化する。このパラダイムは、Metaの研究チームが2024年2月に発表した論文「*Actions Speak Louder than Words: Trillion-Parameter Sequential Transducers for Generative Recommendations*」（ICML 2024採択）で提唱された。
仕組み・ポイント
シーケンス予測への転換
検索・閲覧・カート追加・購入といったユーザーの行動を連続したイベントのシーケンスとして扱い、LLMが次の単語を予測するのと同様の仕組みで次のアイテムを予測する。
特徴量エンジニアリングの削減
従来の推薦システムで必要だった大量の手動による特徴量エンジニアリングを削減し、生のイベントシーケンスから直接学習できる。
候補抽出とランキングの統合
従来は「候補抽出（Retrieval）」と「ランキング（Ranking）」が別々のモデルで多段構成（カスケード構成）されていたが、GRではこれらを単一のモデルで統合して処理することが可能である。
スケーリング則の適用
モデルサイズや計算量を増やすことで推薦精度がべき乗則（Power Law）に従って向上することが実証されており、LLM的なスケーリング戦略が推薦領域にも適用できる。
Semantic IDの活用
アイテムを単なる数値IDではなく、意味情報（セマンティクス）を反映した離散的なコードシーケンス（Semantic ID）として表現することで、生成モデルとの親和性を高める。
HSTUアーキテクチャ
Metaが同論文で導入した「HSTU（Hierarchical Sequential Transduction Units）」は、高カーディナリティ・非定常なデータストリームを扱うために設計されており、従来のTransformerと比べて長大なシーケンスの学習・推論を大幅に高速化する。
なぜ今注目されているのか
2026年に入り、GRは研究段階から大規模な実運用へと移行しつつある。Metaは2026年7月下旬の決算発表および同年8月の公式ブログにて、広告配信・ランキングシステムを「Meta Generative Recommender」に刷新したことを発表。この移行により、Facebook上での広告クリック数が8.3%増加、コンバージョン率が15.7%向上したと報告している。Shopifyも2026年2月に購買行動を連続イベント予測タスクとして扱うGRを自社コマースエンジンに導入し、BFCM（Black Friday Cyber Monday）期間中に高価値クリック率5%向上・コンバージョン率0.71%向上の実績を公表した。さらに2026年8月20日にはNVIDIAが、GRをGPU上で効率的に訓練・デプロイするためのオープンソースリポジトリ「recsys-examples」などを公開し、MetaのHSTUやSemantic IDのPyTorch実装、GR特化型の推論フレームワークを提供している。これらにより、GRの産業実装に向けたエコシステムが急速に整備されている。
日本企業への示唆
GRは、EC・メディア・広告など「ユーザーの行動ログが大量に蓄積されている事業領域」において、推薦精度の定量的な改善をもたらし得るアーキテクチャである。候補抽出とランキングの統合によってシステム構成が簡素化される可能性がある一方、大規模な学習インフラとシーケンスデータの整備が前提となるため、データ品質・量・GPUリソースの確保が導入の鍵となる。NVIDIAによる実装基盤の公開でエントリーハードルは下がりつつあるが、Semantic IDの設計やHSTU固有のチューニングには専門知識が求められる点には留意が必要だ。まずはMetaやShopifyの実績事例を参照しながら、自社の行動ログがシーケンスモデリングに適した構造になっているかを点検することが現実的な第一歩となる。
※ 本ページはAI News JAPAN編集部が最新の動向を踏まえて解説したものです。内容は随時見直します。
