![Cold-Start 問題
• 新しいユーザに推薦できない
• 解決案
– アイテム間型協調フィルタリング
– クラスタリングベース協調フィルタリング
• [Xue 05] “Scalable Collaborative Filtering
Using Cluster-based Smoothing”](https://image.slidesharecdn.com/random-150929030629-lva1-app6892/85/-18-320.jpg)
![アイテム間型
協調フィルタリング
• 欠点
– すべてのユーザに同じ商品が推薦される
• 解決案
– ユーザ間協調フィルタリングの結果と混ぜる
• どう混ぜる？
– [Sawar 01] “ItemBased Collaborative
Filtering Recommendation Algorithms”](https://image.slidesharecdn.com/random-150929030629-lva1-app6892/85/-20-320.jpg)
![暗黙的データ [Nichlos 97]
1. Purchase
2. Assess
3. Repeated Use
4. Save/Print
5. Delete
6. Refer
7. Reply
8. Mark
9. Terminate Search
10. Examine/Read
11. Consider
12. Glimpse
13. Associate
14. Query](https://image.slidesharecdn.com/random-150929030629-lva1-app6892/85/-25-320.jpg)
協調フィルタリング入門
- 2. 推薦(レコメンド) • 推薦方法は大きく２つに分類される – 内容ベースフィルタリング – 協調フィルタリング
- 3. 推薦(レコメンド) • 推薦方法は大きく２つに分類される • 例：レンタルビデオ店 – ファンである監督、好みのジャンルを利用者 に尋ねて、その条件に合ったものを選ぶ ⇒ 内容ベースフィルタリング – 映画の趣味が似ている知り合いに、面白かっ た映画を教えてもらう ⇒ 協調フィルタリング
- 4. 内容ベースフィルタリング 利用者 推薦システム • SFが好き • スピルバーグ • 1990年代 アイテム データベース ジュラシック パ－ク ・スピルバーグ ・1993年 スタ－ ウォーズ ・ルーカス ・1977年
- 5. 協調フィルタリング 利用者 推薦システム • SFが好き • スピルバーグ • 1990年代 ジュラシック パ－ク スタ－ ウォーズ キルビル • SFが好き • スピルバーグ • 1990年代 • SFが好き • ルーカス • 2000年代 • アクション • タランティーノ • 2000年代
- 6. 比較 協調フィルタ 内容ベース セレンディピティ ○ × ドメイン知識 ○：不要 ×：必要 Cold-start 問題 × △ 利用者数 ×：多数必要 ○：少数可 被覆率 × ○ 類似アイテム × ○ 少数派の利用者 × ○
- 7. 推薦(レコメンド) • 推薦方法は大きく２つに分類される – 内容ベースフィルタリング – 協調フィルタリング • 今回使用する手法は協調フィルタリング • ここからは、協調フィルタリングについ て詳しく見ていく
- 8. 協調フィルタリング 商品1 商品2 商品3 商品4 Aさん ○購入 ○購入 ×未購入 ○購入 Bさん ○購入 ○購入 ×未購入 ？？？ Bさんは商品4を購入しそう！ ⇒ レコメンドしよう！ 基本的な考え方
- 9. 協調フィルタリング D1 D2 D3 D4 D5 D6 D7 D8 D9 D10 A 1 1 0 0 0 1 0 0 0 0 0.17 B 0 0 1 1 0 0 0 0 0 1 -0.7 C 1 0 0 0 1 0 0 0 1 1 1.0 D 0 0 0 1 1 0 0 1 1 0 0.17 E 1 0 0 0 0 0 0 1 0 0 0.61 X 1 0 0 0 1 ??? ??? ??? ??? ??? 1=購入(好き) 0=未購入(嫌い) 嗜好データ
- 10. 協調フィルタリング D1 D2 D3 D4 D5 D6 D7 D8 D9 D10 A 1 1 0 0 0 1 0 0 0 0 0.17 B 0 0 1 1 0 0 0 0 0 1 -0.7 C 1 0 0 0 1 0 0 0 1 1 1.0 D 0 0 0 1 1 0 0 1 1 0 0.17 E 1 0 0 0 0 0 0 1 0 0 0.61 X 1 0 0 0 1 ??? ??? ??? ??? ??? 0 0 1 1 1 Xと似ているユーザ Xと似ているユーザが 買っている商品
- 11. • 購入していないのは、嫌いだから？ • 閲覧すらしていないかもしれない • 閲覧データを追加する
- 12. 協調フィルタリング D1 D2 D3 D4 D5 D6 D7 D8 D9 D10 A 1 1 0 0 0 1 － － － － 0.17 B － － 1 1 0 － 0 0 0 1 -1 C 1 0 0 0 1 0 0 － 1 1 1 D － － 0 1 1 0 0 1 1 0 0.5 E 1 0 0 0 0 － － 1 0 － 0.61 X 1 0 0 0 1 － － － － － 1 =購入 0 =閲覧したが未購入 －=閲覧していない
- 13. 協調フィルタリング D1 D2 D3 D4 D5 D6 D7 D8 D9 D10 A 1 1 0 0 0 1 － － － － 0.17 B － － 1 1 0 － 0 0 0 1 -1 C 1 0 0 0 1 0 0 － 1 1 1 D － － 0 1 1 0 0 1 1 0 0.5 E 1 0 0 0 0 － － 1 0 － 0.61 X 1 0 0 0 1 － － － － － 0 0 2 2 1 Xと似ているユーザが 買っている商品
- 14. 協調フィルタリング • ユーザの嗜好データを用いてレコメンドできた • 手順 1. ユーザの嗜好データを取得する 2. 嗜好データに基づき、ユーザ間の類似度を算出 3. ターゲットのユーザに対して、似ているユーザ を抽出 4. 似ているユーザが購入している商品をレコメン ド
- 15. 協調フィルタリングの特長 • ドメイン知識を必要としない • 異なるジャンルをまたいだ推薦ができる • 利用者が多い場合に有利 • 商品が頻繁に入れ替わる場合は不利 ⇒ × Cold-Start 問題
- 16. 問題点 • 全ての商品をカバーできない ⇒ レコメンドに出てこない商品が存在 • 類似品をレコメンドする ⇒ 色違い・サイズ違いなど • 少数派問題 ⇒ 類似した嗜好の人がいなければ、嗜好を予測 できない
- 17. Cold-Start 問題 • 新しい商品が推薦されない – 誰も購入していない商品は推薦されない • 新しいユーザに推薦できない – 登録してすぐのユーザは行動履歴が少ないた め、類似ユーザを見つけることができない
- 18. Cold-Start 問題 • 新しいユーザに推薦できない • 解決案 – アイテム間型協調フィルタリング – クラスタリングベース協調フィルタリング • [Xue 05] “Scalable Collaborative Filtering Using Cluster-based Smoothing”
- 19. アイテム間型 協調フィルタリング D1 D2 D3 D4 D5 D6 D7 D8 D9 D10 A 1 1 0 0 0 1 － － － － B － － 1 1 0 － 0 0 0 1 C 1 0 0 0 1 0 0 － 1 1 D － － 0 1 1 0 0 1 1 0 E 1 0 0 0 0 － － 1 0 － X 1 0 0 0 1 － － － － － 0.7 0.1 0.4 0.5 1.0 0.3 0.2 0.8 0.9 0.6 現在閲覧している商品に対して 商品(アイテム)間の類似度を計算し、 類似度の高いものを推薦する
- 20. アイテム間型 協調フィルタリング • 欠点 – すべてのユーザに同じ商品が推薦される • 解決案 – ユーザ間協調フィルタリングの結果と混ぜる • どう混ぜる？ – [Sawar 01] “ItemBased Collaborative Filtering Recommendation Algorithms”
- 21. 手順
- 22. 協調フィルタリング • ユーザの嗜好データを用いてレコメンドできた • 手順 1. ユーザの嗜好データを取得する 2. 嗜好データに基づき、ユーザ間の類似度を算出 3. ターゲットのユーザに対して、似ているユーザ を抽出 4. 似ているユーザが購入している商品をレコメン ド
- 23. 1. 嗜好データの獲得 • 明示的データ獲得 – ユーザに明示的に評価させる – YouTube のグッド – Amazon の星 • 暗黙的データ獲得 – 自動的に取得できる情報のみ使用 – 閲覧データ、購買データなど
- 24. 1. 嗜好データの獲得 明示的 暗黙的 データ量 ×：少ない ○：多い データの正確さ ○：正確 ×：不正確 未評価と不支持 の区別 ○：明確 ×：不明瞭 利用者の認知度 ○：認知 ×：不認知
- 25. 暗黙的データ [Nichlos 97] 1. Purchase 2. Assess 3. Repeated Use 4. Save/Print 5. Delete 6. Refer 7. Reply 8. Mark 9. Terminate Search 10. Examine/Read 11. Consider 12. Glimpse 13. Associate 14. Query
- 26. 2. ユーザ間の類似度算出 • 類似度の種類 – ピアソン相関係数 – 強制ピアソン相関係数 – スピアマン順位相関係数 – ケンドールの τ 相関係数 – コサイン類似度 – 調整済みコサイン類似度
- 27. 3. 類似ユーザの抽出 • 試行錯誤が必要 – 上位 100 人 – 類似度 0.5 以上
- 28. 4. 商品のレコメンド • ユーザ X に対する商品の評価値を算出 – 絶対評価 or 相対評価 – 類似度による重みづけ
- 29. チューニング
- 31. チューニング • パラメータを決めるには、実際やってみ るしかない？ • パラメータの組み合わせは膨大 • すべてやってみることはできない • 実際に適用しなくても大体わかる方法 ⇒ クロスバリデーション
- 33. チューニング • クロスバリデーションにより良さそうな モデルを 1 ～ 3 個までしぼり、ユーザー テストにかけて評価する • 評価方法：A/B テスト
- 34. A/Bテストについて • レコメンドエンジンを使うことによって、 売り上げが伸びるか？ • ユーザをランダムにレコメンドあり/なし のページに振り分け、購入回数・購入金 額を比較する ⇒ A/B テスト
- 35. 参考 • 神嶌敏弘「推薦システムのアルゴリズム」 – http://www.kamishima.net/archive/recsysdo c.pdf • 協調フィルタリングとは(株式会社ALBERT) – http://www.albert2005.co.jp/technology/rec om/c_filtering.html • 協調フィルタリングについてまとめてみた。 (Analyze IT.) – http://d.hatena.ne.jp/EulerDijkstra/20130407 /1365349866