レコメンダーシステム

レコメンダーシステムは、商品とのインタラクションやアイテム情報から学習し、利用者にとって有用である可能性のあるアイテムを順位付けします。その出力は、単一の「こちらもおすすめ」ウィジェットに限らず、検索候補、ホームページの順位付け、通知の選択、マーチャンダイジングにも利用できます。

協調フィルタリング #

協調フィルタリングは、ユーザーとアイテムにまたがるパターンを使用してアイテムを推薦します。インタラクションには、明示的な評価のほか、クリック、視聴時間、購入、保存、スキップなどの暗黙的なシグナルがあります。\(n\) 人のユーザーと \(m\) 個のアイテムに対する観測値は、疎な \(n \times m\) インタラクション行列として表現できます。

ユーザーベースとアイテムベースの手法は、インタラクションのパターンを比較して類似するユーザーまたはアイテムを見つけます。一方、行列分解は、内積によって親和度を推定できる低次元のユーザーベクトルとアイテムベクトルを学習します。現代のシステムでは、候補生成にこれらの埋め込みを使用し、その後、より多くの特徴を扱うランキングモデルを適用することが一般的です。

データの疎性、人気バイアス、新規ユーザーまたは新規アイテムは、実用上の課題です。また、評価方法をプロダクトの目標に合わせる必要があります。オフラインでの評価値の誤差は、順位付けされた推薦リストの品質と同義ではないためです。

コンテンツベースフィルタリング #

コンテンツベースフィルタリングは、カテゴリ、テキスト、作成者、価格、画像埋め込みなど、アイテム自体の属性を使用します。インタラクションが蓄積される前に新しいアイテムを推薦でき、共通する属性を根拠として結果を説明できます。一方、すでに消費したものに類似するアイテムを推薦する傾向があるため、新たな発見が減る可能性があります。

ハイブリッドシステム #

本番システムでは、協調シグナルとコンテンツシグナルを組み合わせることが一般的です。コンテンツ特徴量はコールドスタートを補い、協調シグナルは集団的な行動を捉え、ビジネス上の制約によって提供可否、多様性、安全性、公平性を担保できます。推薦には同意を得たデータを使用し、ノイズを含む行動シグナルを確定的な嗜好として扱うことを避け、フィードバックループを監視する必要があります。