Sakana AI Develops QD-Rec Recommendation Method for Decision Support
QD-Rec reframes recommendation as open-ended exploration, keeping diverse hypothesis angles rather than a single ranked list, which suits decisions like M&A screening or research triage. Developers experimenting with LLM-driven search can try the released GitHub code directly. It contrasts with standard top-k recommenders by optimising for coverage of reasons, not just score.
Sakana AI announced QD-Rec, a recommendation method that applies Quality-Diversity (QD) evolutionary search techniques to recommendation tasks. The system uses an LLM to apply accumulated hypotheses to new candidates and combine multiple hypotheses, evolving a set of diverse, high-quality suggestions. In experiments covering company acquisition candidate search, customer targeting with fictional profiles, and paper recommendation for researchers, QD-Rec outperformed comparison methods across many settings at the same number of evaluations. Code is available on GitHub, alongside a blog post and paper.
多様な提案を進化させ、意思決定を支える推薦手法「QD-Rec」を開発
ブログ：https://t.co/2AV6dap8Ve 論文：https://t.co/zg1gtm0OlK GitHub：https://t.co/EKNOoEIBEP
どの企業を買収候補として検討するか。どの顧客に新しい製品を提案するか。膨大な論文の中から、次に何を読むか。こうした意思 決定では、候補をスコア順に並べるだけでなく、「なぜ選ぶのか」「選んだ先にどのような可能性があるのか」を、異なる観点から比較できることが重要です。
一つの候補にも複数の有望な理由が考えられます。数千件、ときには1万件を超える候補それぞれについて、さまざまな仮説を生成・評価し尽くすには大きなコストがかかります。私たちは、限られた予算の中で「候補」と「仮説」の組を探索し、質が高く多様な提案を見つける問題を「オープンエンドな推薦」として捉えました。
QD-Recは、オープンエンドな探索の研究で発展してきた「Quality-Diversity（QD）」と呼ばれる進化的探索技術を、推薦に応用します。過去の評価結果をもとに次に調べる候補を選び、蓄積された仮説の着眼点をLLMが別の候補に応用したり、複数の仮説を組み合わせたりして、新しい提案を生成します。新しい切り口の提案は残し、似た提案同士ではより優れたものに更新することで、多様な仮説を次の発見の「踏み石」として活かし、推薦の集合を進化させていきます。
実験では、 企業の買収候補探索、架空の顧客プロファイルを使ったターゲティング、研究者向けの論文推薦などで検証しました。同じ評価回数のもとで比較したところ、多くの設定で、比較手法よりもQD-Recの方が評価が高く、より多様で多くの推薦を蓄積できました。
私たちが目指すのは、AIが人間の意思決定を代行することではなく、多様で有望な選択肢と、それらを比較・検討するための判断材料を提供することです。今回の成果を出発点に、QD-Recを次世代の意思決定を支える基盤技術へと発展させていきます。
