「サーバーを移す」ではなく、「その機能はまだ必要なのか？」から考える こんにちは、ソフトクリエイトのサトキチです。オンプレミス環境からキャリアをスタートし、現在はMicrosoft 365を中心としたクラウドサービスに携わっています。

こんにちは、株式会社WinTicket でバックエンドとインフラを担当している茨木啓瑚（@oyasu ...

はじめに こんにちは。レバレジーズ株式会社で研究員をしている修です。普段は人材領域の推薦システムに関する研究開発に取り組んでいます。 レバレジーズは「社会課題の解決」を軸に、人材事業をはじめ多くのサービスを展開しています。求職者と企業をよりよくつなぐことは、その中心にある課題の一つで、私たちはこの課題に先端技術の研究開発で挑んでいます。 その取り組みの一つとして、2026年9月28日〜10月2日に米国ミネアポリスで開催された推薦システムの国際会議「ACM RecSys 2026」に参加し、併設ワークショップ「RecSys in HR 2026」でポスター発表をしてきました。テーマは、求職者×求人相互推薦AIモデルが、実際には何を学んでいるのかを分析した研究です。 この記事では、RecSys 2026 全体のトレンドと気になった発表を紹介したあと、RecSys in HR で見えた HR 推薦の最前線と私たちの研究、そしておまけとして現地の様子をお届けします。 図1: RecSys in HR 2026 で筆者が発表している様子 RecSys 2026 の全体像 ACM RecSys は推薦システム分野のトップカンファレンスで、今年は第20回の節目でした。47か国から1,000名以上が参加し、その75%が企業所属という、産業界の存在感がとても大きい学会です。今回は Amazon、ByteDance、Google、Meta、Netflix、Target などがスポンサーでした（図2）。今年目立ったトレンドは、次の3つです。 ① 生成推薦 ：アイテムを Semantic ID [1] で表し、LLM のように推薦結果を生成するアプローチの研究が多く発表されていました。オープニングでは、タイトルに "generative recommendation" を含む投稿の採択率が47.8%（23本中11本）と、それ以外（17.8%）を大きく上回ったことも紹介されました。 ② LLM ・エージェント ：LLM ・エージェント関連の論文は、本会議の主要トラックの約3割を占めていました。 ③ 産業界の関心はコストと効率 ：企業に所属する著者の研究では、大規模な本番環境で「速く・安く動かす」ための研究が多く見られました。 図2: 会場のスポンサーボード。推薦システムを事業の中核に置く大手テック企業が並ぶ 気になった発表 こうしたトレンドを踏まえて、本会議で特に気になった論文を3本紹介します。選んでから気づいたのですが、私自身が事業会社で働いているからか、3本とも産業界の論文でした。なお、3本のうち2本（Tokens と GenPage）は、最優秀産業論文賞の佳作（Honorable Mention）に選ばれました。 Embedding Subspace Partitioning for Dynamic Multi-Objective Retrieval（LinkedIn） 求人推薦で「合うか」「反応されそうか」「売上につながるか」といった複数のビジネス目標を1つの埋め込みをもとに達成しようとすると、目標の優先度を変えるたびに再学習が必要になります。ESP は、埋め込みを目標ごとの部分空間に分け、部分空間ごとの類似度を重み付きで足し合わせることで、再学習なしで目標優先度を調整できるようにしました。A/B テストでは、本番に導入した設定で売上 +4.0%、応募 +3.95% でした。 感想 私たちと同じ求職者と求人のマッチングの領域で、ビジネスの要件に直結した、とても実践的な課題に取り組んでいる点に興味を持ちました。後述する私たちのモデルも、応募と書類通過という2つの目的を同時に予測していますが、どちらをどれだけ重視するかは事業の状況によって変わりえます。目的ごとの重みを再学習なしで切り替えられる ESP の仕組みは、こうした場面でそのまま役立ちそうだと感じました。 Tokens are All You Need: Dual-purpose Semantic IDs for Achieving LLM-Level I/O Efficiency in Recommendation Systems（YouTube ・ Google DeepMind） 視聴履歴の動画ごとに「中身を表すベクトル」を読み込むと、データ量が膨大になり、学習の I/O がボトルネックになります。この研究は、ベクトルを数個のトークン（Semantic ID）に圧縮して ID として学習に使うと同時に、小さなデコーダでトークンから元のベクトルを近似的に復元して使います。すでに Semantic ID を使っていた YouTube の本番のランキングに復元の仕組みを足したところ、視聴ページの満足エンゲージメント指標が +0.80% 改善するなどの結果を報告しています。 感想 今回のホットトピックである Semantic ID を実サービスに落とし込み、大規模に運用した研究なので、非常に興味深かったです。人材領域でも、求人は次々に新しく掲載されるため、ID に頼る手法はコールドスタートに弱くなりがちです。アイテムの中身から作る Semantic ID なら、新着の求人にも意味のある表現を与えられます。私たちの研究で、ID 埋め込みを使わない帰納的なモデルにしたのも、同じ問題意識からでした。 GenPage: Towards End-to-End Generative Homepage Construction at Netflix（Netflix） Netflix のホーム画面を、複数の専用モデルの組み合わせではなく、1つの Transformer が LLM のように「行と作品の並び」として丸ごと生成する方式です。A/B テストでは、Netflix がリリース判断に使う主要な指標を有意に改善し、レイテンシも20%改善しました。 感想 Netflix はスポンサー講演でも、生成モデルへの取り組みを紹介していました。推薦用に作り込んだ自社の LLM（Member LLM）を土台に、ホーム画面や検索などの用途ごとに調整して使う構想や、LLM ベースのランキングモデル（GenRec）で本番のランキングを丸ごと置き換えた A/B テストの話もありました。GenPage も含め、推薦のほぼすべてを生成モデルで作り直そうとする本気度と、そこにかける労力の大きさには圧倒されました。 特に印象的だったのは、生成モデルが否定のような意味まで扱えることです。「想像力豊かなファミリー向けのアクションコメディ映画、ただしアニメ以外」という検索に対して、アニメ作品を1本も含めずに推薦できていました。LLM に否定を理解させるのは簡単ではなく、工夫を重ねて実現したそうです。求人でも「看護師の求人、ただし夜勤のあるものは除く」のような条件はよくあるので、実務上の価値はとても大きいと感じました。 RecSys in HR 2026: HR 推薦の最前線 ここからは、私たちが発表したワークショップの様子を紹介します。RecSys in HR は、人材領域の推薦システムに特化した RecSys の併設ワークショップで、今年で第6回です。日本からは、私たちレバレジーズのほか、Wantedly、SMS、そして Indeed が発表しました。Indeed は日本と米国のメンバーで論文3本を発表し、パネルにも登壇するなど、存在感が際立っていました。 会場は円卓が並ぶ小さめの部屋で、発表ごとに質疑が活発に続く、濃い半日でした。 図3: RecSys in HR 2026 のオープニング パネルディスカッション パネルでは、Hilke Schellmann 氏（New York University）、Robin Burke 氏（University of Colorado Boulder）、Svenja Gudell 氏（Indeed）、Alessandro Fabris 氏（University of Trieste）の4名が、AI が人材領域に与える影響を議論しました。 ① AI で採用がよりノイジーに ：応募者のほぼ全員が AI で書類を書くので「みんな同じに聞こえる」うえに、偽の求人や偽の応募者まで現れているそうです。 ② 仕事の推薦は、映画の推薦とは違う ：よくある映画推薦や商品推薦と違い、仕事の推薦は求職者のキャリアを左右するため影響が大きく、しかも募集枠には限りがあります（同じ映画は何人でも観られますが、求人は枠が埋まれば終わりです）。さらに、求職者と企業の両方の立場からマッチングを考える必要があります。 ③ 「採用」が正解でよいのか ：採用されたから正例として学習するのではなく、在籍が続いているか、役割に満足しているかといった採用後のアウトカムで、良い採用かを確かめるべきだという議論がありました。 HR 推薦の難しさと奥深さ、そして個人的には研究課題としての面白さを感じるパネルディスカッションでした。 発表の傾向 発表全体を通して、大きく3つの流れがありました。 ① LLM を本番の採用プロセスに組み込む 候補者を探すエージェント（Deep Sourcing）や、LLM が書く「おすすめの理由」をチェックするガードレール（Suspenders）など、スコアの安定性やコスト、ポリシーの順守といった、LLM を本番で使える形にするための工夫が中心でした。 ② スキル抽出と応用 スキル抽出の評価が「スキルを含まない文」を無視していたことを示す研究（Overpredicting on Noise）や、職種から導いたスキルの情報がキャリアパスの予測にほとんど効かないことを示した研究（When Occupation-derived Skills Don't Help）がありました。後者は、その要因の一つにスキル埋め込みの表現の崩壊を挙げていて、後述する私たちの研究とも通じる発見でした。 ③ マッチングを市場全体で考える 推薦が一部の求人に集中する「混雑」を抑えるアンサンブル推薦（DISPERSE）や、マッチ数より離脱しそうなユーザーを守ることを重視した Wantedly のオンライン実験（Not All Matches Are Equally Valuable）など、個々の推薦の精度だけでなく、市場全体への影響を考える研究も目立ちました。 発表紹介: 求職者×求人相互推薦AIモデルは何を学んでいるのか パネルで挙がった「求職者と企業の両方の立場」や、発表の傾向で見た表現の崩壊・推薦の集中は、私たちの研究テーマとも重なります。 私たちが発表したのは、「A Spectral Analysis of Heterogeneous Graph Recommenders for Person-Job Fit」という研究です。著者は筆者と、同じチームの研究員である永安、樋沢の3名です。この研究では、GNN に基づく相互推薦モデルが何を学習しているのかを深掘りしました。論文とコードは公開しています（リンクは本章の最後）。 背景: 異種グラフ推薦は「何を」学んでいるのか 人材マッチングでは、求職者が応募し、企業が選考で通過させて、初めてマッチングが成立します。また、テキスト情報が豊富で、新しい求職者や求人（コールドスタート）が多いのも特徴です。 こうした性質から、求職者・求人・スキル・職種などをノードにした異種グラフに、LLM のテキスト埋め込みを入力し、GNN で推薦するモデルが広がっています。ただし評価はほぼ精度指標だけで、モデルが内部で何を学んでいるのか、グラフが何の情報を追加しているのかは、私たちの知る限り、ほとんど調べられていませんでした。「テキストをそのまま GNN に入れる」という標準的なアプローチも、十分に検証されないまま広く使われてきました。 そこで、本研究では次の2つの問いを立てました。 Q1: テキスト埋め込みをそのまま GNN に入れると、学習した表現はどうなるのか Q2: グラフの情報は、求職者側と求人側の両方に同じように効くのか やったこと: 学習した表現をスペクトルで見る 求職者が求人に応募する確率と、応募した求職者を企業が書類通過させる確率を同時に予測する、帰納的（inductive）な異種グラフ推薦モデルを作りました。ノードごとの ID 埋め込みを使わないので、学習時に見ていない求職者や求人にも推薦できます。データは、人材プラットフォームの実データ Tech と、公開データ Tianchi の2つです。テキストの埋め込みには、Qwen3-Embedding（0.6B ・4B ・8B）と multilingual-e5-large の4種類のテキスト埋め込みモデルを使いました。 比べたのは、テキストの入れ方とグラフの使い方が異なる4種類のモデルです（表1）。 表1: 比較した4種類のモデル モデル テキスト埋め込みの使い方 グラフ構造 content MLP MLP にそのまま入力する 使わない naive GNN のノード特徴として、メッセージパッシングに入れる 使う graph only 使わない（ノードの次数などだけを入力） 使う decoupled GNN とは別の経路で処理し、最後に統合する 使う 分析では、各段階の表現を行列とみなし、その特異値の分布（スペクトル）を調べました。その要約に使ったのが effective rank [2] です。特異値の分布のエントロピーから計算する指標で、表現が実質的に何次元を使っているかを表します。すべての方向が均等に使われていれば名目上の次元数に、1つの方向に潰れていれば1に近づきます。この値を、入力からデコーダまでの段階ごとに追いました。 図4: 構築した推薦モデルの全体像（出典：論文の Figure 1） わかったこと ① 前提: どのモデルでも、表現が次元崩壊していた 次元崩壊（dimensional collapse）[3, 4] とは、表現が名目上の次元よりはるかに少ない方向にしか広がらなくなる現象です。今回は、どのモデルでもこれが強く起きていました。たとえば content MLP では、デコーダ直前の表現は名目上128次元あるのに、effective rank は Tech で14.5、Tianchi で8.5しかありません。表現の容量の多くが使われていない状態です。グラフを使わない content MLP でも起きているので、GNN だけの問題ではありません。 ② Q1 の答え: テキスト埋め込みをそのまま GNN に入れると、崩壊が強まる naive は、グラフを使うモデルの中で、学習後のどの段階でも effective rank が最も低くなりました。Tianchi では、content MLP よりも低くなっています。一方 decoupled は、グラフを使うモデルの中で最も高いランクを保ち、精度も最良かそれに近い水準でした。デコーダ直前の effective rank が naive で最も低く、decoupled で最も高いという順序は、グラフ畳み込み（GraphSAGE ・ GATv2）や埋め込みモデルを変えた5通りの設定すべてで同じでした。 図5: 段階ごとの effective rank（対数軸、出典：論文の Figure 2） ③ Q2 の答え: グラフが足す「人気度」は、求職者側と求人側で効き方が違う グラフを入れると、全体の精度（AUC）と、求職者ごとに求人を並べる精度（求職者側の GAUC）は、どちらのデータでも上がりました。ところが表現を調べると、Tianchi の求職者側では、第1主成分と人気度（正の行動の数）の相関が、content MLP の 0.07 から、graph only と decoupled では 0.51〜0.57 に上がっていました。実際、decoupled の表現から第1主成分を取り除くと、Tianchi では AUC が 0.746 から 0.585 へ、求職者側の GAUC も 0.699 から 0.530 へと大きく下がりました。人気度と強く相関する方向が、予測、特に求職者側の並び順を大きく支えていることがうかがえます。 一方、Tech では、第1主成分を取り除くと AUC と求職者側の GAUC はともに下がる（いずれも −0.056）ものの、求人ごとに求職者を並べる精度（求人側の GAUC）はかえって改善しました（+0.019）。コールドスタートの求人では、改善幅がさらに大きくなります。グラフが加える人気度の情報は、求職者側のパーソナライゼーションには有利に働く一方、求人側にはかえって不利に働く場合があることがわかりました。 図6: 発表したポスター 現地での反応 RecSys in HR の参加者には NLP 系の研究者が多く、グラフを使うこと自体が HR のコミュニティではまだ目新しいようで、多くの方がグラフそのものに興味津々でした。ポスターの前では、どのような情報をもとにグラフを作っているのか、どうやって作ったのかといった、グラフの作り方についての質問を主に受けました。これからも、HR 領域でグラフを使った研究を広めていきたいと思います。 この研究が目指すもの 人材マッチングは、求職者と企業の両方によい推薦を届けて初めて価値が生まれます。人気度の情報に頼りすぎると、全体の精度は上がっても、推薦が一部の人気の求人や求職者に偏ってしまい、最適ではない推薦になってしまう可能性があります。人気度を明示的に扱えるようになれば、一部の求人や求職者に推薦が集中しにくくなり、より公平で制御しやすい推薦にもつながります。今回は分析メインでしたが、今後は、人気度を求職者側・求人側それぞれで明示的にモデル化・制御する方法や、テキストとグラフ構造のより良い融合を通して、求職者や企業にとって良いマッチングを実現できるような推薦モデルの構築を目指していきます。 なお、この研究は過去の応募・選考データを使ったオフライン評価で、実サービスでの採用の増加を示したものではありません。 より具体的な内容を知りたい方は、ぜひ論文とソースコードを見てみてください。 論文： https://recsyshr.aau.dk/wp-content/uploads/2026/09/RecSysHR2026-Xiu-spectral-analysis.pdf コード： https://github.com/lvgs-research/spectral_pjf おまけ 久しぶりのアメリカで、最初は外に出るのに少し緊張していました。食事も、日本から持っていった一平ちゃん（笑）から始まり、ルームサービス、近くのスーパー（Target）、ホテル近くのスポーツバー、少し離れたギリシャ料理屋と少しずつ行動範囲を広げ、帰る頃には街歩きをすっかり楽しめるようになりました（図7〜9）。 図7: ① 日本から持っていった一平ちゃんやカロリーメイトなど（左）→ ② ルームサービス（右） 図8: ③ 近くのスーパー Target での買い出し（左）→ ④ ホテル近くのスポーツバー（右） 図9: ⑤ ホテルから少し離れたギリシャ料理屋 RecSys のソーシャルイベントの会場は、1878年の粉塵爆発と1991年の火災を経た製粉工場の跡を生かした、ミル・シティ博物館（Mill City Museum）でした。小さな粉塵爆発を起こしてみせるデモもあり、工場の遺構越しに見たミネアポリスの夜景は、今回いちばん印象に残った景色です。 図10: ソーシャルイベントの会場、ミル・シティ博物館。製粉工場の遺構と夜景 おわりに レバレジーズは、求職者と企業をよりよくつなぐという課題に、先端技術の研究開発で挑んでいます。RecSys 2026 では、世界中の研究者・エンジニアと議論するなかで、HR 推薦には相互性や公平性など、まだ答えの出ていない研究課題が多いことを改めて感じました。事業の現場の課題から研究テーマを立て、成果を国際会議で発表し、世界の研究者と議論する。そうした研究開発を、事業会社のなかで続けています。 We are hiring! 最後までお読みいただきありがとうございました。推薦システムや機械学習を専門とし、実サービスへのインパクトと研究としての新しさの両方を追求したい方と、ぜひ一度カジュアルにお話しできれば嬉しいです。 会社紹介資料（中途採用向け） エンジニア職採用ページ 同じチームの研究員が、JSAI2026 で相互推薦の説明手法を発表したときの記事もあわせてどうぞ。 参考文献 [1] S. Rajput et al., Recommender Systems with Generative Retrieval, NeurIPS 2023. https://arxiv.org/abs/2305.05065 [2] O. Roy and M. Vetterli, The effective rank: A measure of effective dimensionality, EUSIPCO 2007. https://www.eurasip.org/Proceedings/Eusipco/Eusipco2007/Papers/a5p-h05.pdf [3] L. Jing, P. Vincent, Y. LeCun, and Y. Tian, Understanding Dimensional Collapse in Contrastive Self-supervised Learning, ICLR 2022. https://arxiv.org/abs/2110.09348 [4] X. Guo et al., On the Embedding Collapse when Scaling up Recommendation Models, ICML 2024. https://arxiv.org/abs/2310.04400