Column

新規ユーザーのパーソナライズはなぜ難しいのか——LLMがロングテール問題を解いた方法

行動データが少ない新規・低頻度ユーザーへのパーソナライズは、協調フィルタリングの壁を超えられない。DiDiが実装したLLMベースのユーザープロファイリングシステムProfiLLMは、AUCを最大6.14%改善しオンラインGMVを+0.47%引き上げた。EC・金融・デリバリーへの転用可能性を解説します。

2026 / 06 / 19 5 分で読める English version →

こんにちは。Affectosphere Group の井下です。

「新規ユーザーにどうパーソナライズするか」という問いは、プラットフォームビジネスの永遠の悩みです。

従来の協調フィルタリングは、他のユーザーとの類似性をもとにレコメンドを作ります。でも新規ユーザーや利用頻度が低いユーザーは、そもそもデータがほとんどない。類似ユーザーを見つけようにも、見つけようがない。

これがいわゆる「コールドスタート問題」であり、「ロングテールユーザー問題」です。

DiDiプラットフォームでこの問題に正面から向き合い、 LLMを使って解いた研究がarXivで公開されました。今日はその内容と、EC・金融・デリバリー等への転用可能性を考えます。

今日の3点

LLMは行動ログが少ないユーザーでも意味論的プロファイルを生成できる
ProfiLLMはAUC最大6.14%改善・オンラインGMV +0.47%を達成した
このアーキテクチャはEC・金融・デリバリー等に転用できる

ProfiLLMが解いた3つの難問

Tengfei Lyu、Zirui Yuan、Xu Liu らの研究チームは、 DiDiの配車ディスパッチに実装したLLMベースのユーザープロファイリングシステム「ProfiLLM」をarXivで公開しました。

この研究が直面した課題は、1つではありませんでした。

第一の壁は、コンテキストウィンドウの制限です。配車プラットフォームには膨大な行動ログが蓄積されます。しかし、LLMに一度に読み込めるトークン数には上限があります。何年分もの乗車履歴を全部渡すことはできません。

第二の壁は、スパースインタラクション（疎なデータ）です。新規ユーザーや利用頻度が低いユーザーは、乗車履歴が数件しかない。この状態でどうプロファイルを構築するか。

第三の壁は、予測有用性の確保です。意味論的に豊かなプロファイルを生成しても、それがディスパッチ精度の向上に直結しなければ意味がありません。「正確さ」と「役に立つか」は別の問題です。

ProfiLLMはこの3つを同時に解く2コンポーネント設計を採用しました。

1つ目は「ツール拡張知識マイニング」です。 27のアナリティクスツールを統合し、膨大な行動ログから意味的に重要な情報を抽出します。コンテキストウィンドウの制限を、インテリジェントな要約と選択で乗り越えます。

2つ目は「有用性整合型プロファイル探索」です。プロファイル候補を生成した後、それが実際の予測タスクにどの程度役立つかを評価して選別します。「意味論的に正確か」と「予測に役立つか」の両方を満たすプロファイルだけが残ります。

数字で見る成果

研究チームが報告した結果は明確です。

AUCが最大6.14%向上しました。シミュレーションではGMVが最大4.35%改善。オンラインA/BテストではGMV +0.47%を達成しました。

とりわけ重要なのは、「行動履歴が少ないロングテールユーザーでも精度を維持できた」という点です。

ここが従来手法との最大の差分です。協調フィルタリングはデータが少ないと精度が著しく落ちます。 LLMベースのプロファイリングは、行動データが薄くても意味論的な推論でプロファイルを補完できます。

ビジネス現場への応用——どの業界に転用できるか

ProfiLLMはDiDiの配車に実装されましたが、そのアーキテクチャの本質的な価値は汎用性にあります。

ECプラットフォーム

新規会員登録直後のレコメンドは、協調フィルタリングでは機能しません。行動データがゼロの状態から、 LLMが登録情報・閲覧行動・検索ワードなどわずかなシグナルを読み解き、意味論的プロファイルを構築する。

オンボーディング後7日間のCVR（コンバージョン率）と初回購入率がKPIになります。

金融サービス・フィンテック

ローン審査・クレジット判断では、信用履歴が薄い若年層・新規顧客への対応が課題です。取引履歴・送金パターン・アプリ利用行動から意味論的プロファイルを生成することで、従来の信用スコアリングが苦手とする層へのパーソナライズドオファーが可能になります。

デリバリー・フードテック

注文頻度が低い月1〜2回ユーザーに対して、 LLMが過去の注文内容・時間帯・天気などから「このユーザーが今日注文しそうな場面」を推論する。プッシュ通知のタイミングとコンテンツの精度が上がれば、ロングテールユーザーの注文頻度向上につながります。

MLOpsチームへの示唆

このシステムを実装する側の視点も整理します。

27のアナリティクスツールを統合するという設計は、モジュール性の高さを意味します。既存のデータパイプラインや分析ツールを、 LLMのツール呼び出しとして接続する形で実装できます。ゼロから作り直す必要はありません。

また、有用性整合型プロファイル探索の仕組みは、プロファイル生成フェーズとダウンストリームタスクの評価フェーズを分離できることを示しています。これはMLOpsのパイプライン設計として標準的な分離原則と相性がよく、既存のMLパイプラインへの組み込みがしやすい構成です。

KPIは以下が測定可能です。ロングテールユーザー（行動ログ5件未満等）への推薦CTR、新規ユーザーの初回購入/注文までの時間、ユーザーセグメント別のGMV変化率。

注意点——実装の壁

転用を検討する際に確認すべき点もあります。

まず、LLM呼び出しコストです。 27ツールを統合してプロファイルを生成するシステムは、推論コストが高くなります。大規模展開ではバッチ処理とリアルタイム推論の使い分けが必要です。

次に、プライバシー設計です。行動ログをLLMに渡す際のデータ匿名化・最小化の設計は、 GDPR・日本の個人情報保護法・各国規制への準拠として必須です。どの粒度の行動データをLLMに渡すかを明確に決める必要があります。

まとめ

ProfiLLMが示したのは、「行動データが少ないユーザーへのパーソナライズ」という長年の難題をLLMで解く具体的な方法論です。

配車ディスパッチで検証された仕組みは、 EC・金融・デリバリーのデータサイエンス部門が転用できる実装可能な設計思想を持っています。

ロングテールユーザーの収益化に課題を抱えているなら、このアーキテクチャを自社のユースケースに当てはめて検討する価値があります。

参考論文

Tengfei Lyu, Zirui Yuan, Xu Liu, Kai Wan, Zihao Lu, Li Ma, Hao Liu (2026). ProfiLLM: Utility-Aligned Agentic User Profiling for Industrial Ride-Hailing Dispatch. arXiv:2606.18803.

※ 本記事は一部 AI により執筆されており、間違った情報が含まれる恐れがあります。