Wantedly Visit における相互推薦システムの活用事例

Transcript

1. © 2025 Wantedly, Inc. Wantedly Visit における相互推薦システムの 活用事例 エンジニアが語る プロダクトへの AI / ML 導入・活用事例 Jan. 13 2025 - 市村千晃（ウォンテッドリー株式会社）
2. 登壇者紹介 © 2025 Wantedly, Inc. 名前：市村 千晃 所属と役割： • ウォンテッドリー株式会社 • データサイエンティスト • 推薦システムの開発・運用に従事
3. © 2025 Wantedly, Inc. Wantedly Visit と推薦システム
4. © 2024 Wantedly, Inc. Wantedly Visit - プラットフォーム構造 仕事を探すユーザーと人材を探す企業がであい、つながる ツーサイドのプラットフォーム
5. © 2025 Wantedly, Inc. 膨大かつ多様な情報から魅力的なものを見つけるのが困難に • ユーザーや企業の数が大きく増加 • 登録ユーザー数 ~ 400万人 • 登録企業数 ~ 4万社 • ユーザーや企業の属性や嗜好性が多様化 サービス拡大に伴う課題
6. © 2025 Wantedly, Inc. 推薦システムを活用することで効率的にマッチングを生み出す 魅力的な情報に出会うためのソリューション
7. © 2025 Wantedly, Inc. Wantedly Visit で発生していた課題
8. © 2025 Wantedly, Inc. 双方向の嗜好が満たされなければマッチングは成立しない 興味あり 成功 失敗 一般的な推薦 (Item to User) マッチングの推薦 (User to User) 成功 興味あり 興味あり 興味あり 興味なし 一方向の嗜好だけでなく 双方向の嗜好に基づいた推薦 が必 要 マッチングにおける推薦の難しさ
9. © 2025 Wantedly, Inc. 嗜好のすれ違いの発生 • 前提 • ユーザーと企業の両方の嗜好を取り入れた単一の機械学習モデル でマッチングの予測をしていた • 課題 • 片方の嗜好を重視してしまい、企業の嗜好には合うがユーザの嗜好 に合わない募集が上位に推薦される、といった事象が発生 Wantedly Visit で発生していた課題
10. © 2025 Wantedly, Inc. 相互推薦システムの導入
11. © 2025 Wantedly, Inc. サービス内のユーザーを互いに推薦し合うシステム • 一般的な推薦システム（Item to User の推薦） • ユーザーからアイテムへの嗜好に基づいて推薦 • 相互推薦システム（User to User の推薦） • 推薦候補のユーザー / 推薦を見るユーザーの両方の嗜好に基 づいて推薦 相互推薦システム（Reciprocal Recommender Systems）とは？
12. © 2025 Wantedly, Inc. ユーザー 企業 ユーザー → 企業の嗜好予測 企業 → ユーザー の嗜好予測 各モデルの予測値を集約し マッチ度を算出 マッチ度が高いユーザーを 企業に推薦 マッチ度が高い募集を ユーザーに推薦 Wantedly Visit への相互推薦システムの導入 行動、プロフィール、募集などのデータ
13. © 2025 Wantedly, Inc. 応募・スカウトの両方で主要 KPI の改善 🎉 • ユーザーからの応募 • 応募数・応募起因のマッチング数が大きく改善 • 企業からのスカウト • スカウト数・スカウト起因のマッチング数が大きく改善 相互推薦システム導入による成果
14. © 2025 Wantedly, Inc. 解決すべき技術的課題
15. © 2025 Wantedly, Inc. キャパシティと全体最適を考慮した推薦の実現 • 相互推薦システムの導入により推薦の偏りは部分的に緩和 • しかし現在の相互推薦ではユーザー・企業のキャパシティや全体最適を考慮 した推薦は達成できていない こんなに応募が来ても対応できない … 全然応募が来ない… 解決すべき技術的課題①
16. © 2025 Wantedly, Inc. キャパシティと全体最適を考慮した推薦の実現 どう解決に向かうか？ • マッチング理論に基づくユーザーのキャパシティを考慮した相互推薦の仕組 みの導入 関連研究 • マッチングプラットフォーム全体の利益（Social Welfare）を最大化する目的 関数を用いたランキングの提案 [Su et al., 2022] 解決すべき技術的課題①
17. © 2025 Wantedly, Inc. マッチングのスパース性への対処 • マッチングというドメインでは、ユーザーがサービスを利用する目的（例：転 職、結婚）が達成されると、サービスを離脱する傾向 • 「ユーザーのマッチング」という嗜好を捉える上で重要な情報が得られづらく、 嗜好の予測が難しい 解決すべき技術的課題②
18. © 2025 Wantedly, Inc. マッチングのスパース性への対処 どう解決に向かうか？ • 真のマッチラベルとモデルの予測値を組合せた Pseudo Label を生成し、モ デルの学習に利用する（← 2024年に研究開発を実施 ） • インタラクションだけでなく、コンテンツのデータを有効に活用する 関連研究 • 上記、研究開発の成果をまとめた論文 [Goda et al. (2024)] • 知識グラフからメタパスを抽出しモデリングに用いることで、コンテンツの情報 を組み込んで相互の嗜好予測を行うアプローチ [Lai et al. (2024)] 解決すべき技術的課題②
19. © 2025 Wantedly, Inc. • Yi Su, Magd Bayoumi, and Thorsten Joachims. 2022. Optimizing Rankings for Recommendation in Matching Markets. In Proceedings of the ACM Web Conference 2022 (WWW '22). Association for Computing Machinery, New York, NY, USA, 328–338. https://doi.org/10.1145/3485447.3511961 • Goda, Shuhei, Yudai Hayashi, and Yuta Saito. "A Best-of-Both Approach to Improve Match Predictions and Reciprocal Recommendations for Job Search." arXiv preprint arXiv:2409.10992 (2024). • Lai, K.-H., Yang, Z.-R., Lai, P.-Y., Wang, C.-D., Guizani , M. ., & Chen, M. (2024). Knowledge-Aware Explainable Reciprocal Recommendation. Proceedings of the AAAI Conference on Artificial Intelligence, 38(8), 8636-8644. https://doi.org/10.1609/aaai.v38i8.28708 引用文献