PINTO!株式会社PLAN-Bの情報発信メディア

2018.02.13

粟田 順也

目次
    1. 推薦アルゴリズムの手法
    2. 非個人化推薦
    3. 協調フィルタリング
    4. 次元削減
    5. まとめ

近年、色々なサイトで見られるようになった、”レコメンド”。

  • 「この商品を買った人は、こちらも購入しています。」
  • 「あなたにおすすめの記事」

など、ECサイトだけでなくブログにまで存在し、サイトに訪問したユーザーに応じて、適した商品や記事をお勧めしてくれます。お勧めされた商品がふと気になり、なんとなくクリックしたら確かに良さそうな商品で思わず買ってしまった、そんな経験をした方も多いのではないでしょうか?

今回はそんな「レコメンド」に使われている、推薦アルゴリズムについて解説していきます。

Amazon レコメンド


推薦アルゴリズムの手法

推薦アルゴリズムの基本は、ユーザー・アイテム間の履歴を行列の形で表現するところから始まります。要素が取りうる値は0/1や実数値、具体的な5段階の評価値まで様々な形です。(例:クリックした/していない、閲覧した/していない、高評価/低評価、など)

この行列のうち、値が埋まっている箇所については、ユーザーがアイテムについて何らかの行動を起こしたということであり、推薦アルゴリズムでは、値が埋まっていない箇所(未観測値)に対して、値を予測することになります。

その予測値を基に「この人はどんなアイテムを好みそうか」という傾向を見つけていきます。

[ユーザー・アイテム行列]

ユーザー・アイテム行列


非個人化推薦

まず最初に説明するのは、非個人化推薦(Non-Personalized Recommender)と呼ばれる手法です。この方法はその名の通り、個人によらない推薦の方式です。

具体的には、

  • 最も人気のアイテムを常に推薦する
  • 今セールである商品を誰に対しても推薦する
  • ユーザー・アイテム行列の未観測値は、その行(もしくは列)の平均で埋める

などの手法があります。

複雑なアルゴリズムを必要とせず、古典的な手法に見えますが、データによっては意外と高精度を叩き出す可能性があります。推薦システムを作ろうとした時、いきなり複雑なロジックを扱おうとするのではなく、こういった部分から始めて見るのも悪くはないと思います。


協調フィルタリング

次に扱うのは、個人化推薦(Personalized Recommender)で、数式や機械学習を使った賢そうな手法の多くはこれに該当します。これは非個人化推薦の逆で、個人個人に最適化して商品を推薦するという方法です。

協調フィルタリング(Collaborative Filtering)も、個人化推薦の手法の一つで、Amazonの「この商品を買った人はこちらの商品も〜」で有名なものです。協調フィルタリングでは、ユーザー間の類似度もしくはアイテム間の類似度に基づいて、商品を推薦します。

どういうことかざっくり説明すると、サービスに訪れるユーザーのうち、AさんとBさんが好みの商品が似ているかどうかを計算し、似ているのであれば、「Aさんは購入したけどまだBさんはまだ購入していない商品」を、Bさんに推薦するというような方式です。具体的には、ユーザー・アイテム行列の各ペアに対して、類似度を計算し未観測値を予測します。

ユーザー・アイテム行列

協調フィルタリングにおいて、ユーザー間の類似度とアイテム間の類似度だと、どちらを利用するのがよいのかということは度々議論されています。一般的に世の中のインターネットサービスは膨大なユーザーを抱えており、各ユーザーの趣味・嗜好は動的に変化します。その結果ユーザー間類似度は計算が非効率で、かつ頻繁な再計算が必要となります。

一方、アイテム数はユーザー数に比べると十分に少なく、それらの特徴はある程度変わることがありません。なので、ユーザー間の類似度よりもアイテム間の類似度のほうが現実的な選択と言えるでしょう。

ですが、サービスの規模や種類によっては、ユーザー間の類似度を利用した方が、精度が高まる場合ももちろん存在するので、再計算のコストなども加味した上で、自サービスに合っているものを選択していく必要があります。


次元削減

協調フィルタリングは、「似たユーザーが買ったものを推薦する」というような形なので、非常に有効な方法ですが、実は以下のような問題点があります。

  • ユーザー・アイテム行列が巨大すぎて、すべてのユーザー(アイテム)のペアについて類似度計算を行うのは非現実的である。
  • この行列は一般に要素の多くが未観測値なので、計算された類似度が有意義だとは言い切れないことが多い。

そこで、これらの問題をできるだけ解決し、「ユーザー・アイテム行列からできるだけ効率的に、より本質的なユーザの趣味・嗜好を抽出したい」というモチベーションから生まれた推薦手法が、次元削減に基づくものです。

次元削減では、ユーザー・アイテム行列を、「ユーザーに関する特徴が詰まった行列」と「アイテムに関する特徴が詰まった行列」に分解し、それら二つ(と重み)の掛け算によって新たな行列を作ります。

その新たな行列は元のユーザー・アイテム行列の近似となっていて、かつ、元の行列では未観測値だった箇所に対しても、何らか値が入っているため、その値を予測して使うことができます。

ユーザー・アイテム行列

次元削減には、元行列の未観測値を0で補って計算する方法である特異値分解と呼ばれる手法や、観測した値のみを使って行列を分解するMatrix Factorizationという手法などがあります。


まとめ

今回は、Webサービス上でよく見られる、レコメンドについて、よく使われるアルゴリズムをざっくり解説しました。この記事では、3つの手法を紹介しておりますが、「この手法が一番正しい!」「どんな事例でもこの手法が精度が出る!」といった手法は存在しません。

もしかしたら、個人化推薦で、一番人気のアイテムを全員に対して推薦するのが一番売上に貢献するかもしれません。他の機械学習と同様に、精度を出すためのトライアル&エラーを行い、精度だけでなく、計算コストとも相談した上で手法を選択する必要があります。

普段よく見かるようなものにも、裏では色々な手法が試され、技術が洗練されていっています。そういったものに、「これ、裏ではどんなロジックが動いているのだろう?」と疑問を持って調べて見ると、また違った観点で見ることができて興味深いです。この記事を機に、調べてみてはいかがでしょうか?