メディアドゥ Amazon Personalize in AWS メディアセミナー Q1/mediado-amazon-personalize-aws-media

「AWS メディアセミナー Q1 ～メディア企業向けAnalytics & AI/MLセミナー～」にて、メディアドゥから発表したスライド資料です。

https://pages.awscloud.com/JAPAN-event-OE-Media-Seminar-20210318-reg-event.html

Transcript

1. 株式会社メディアドゥ
 https://mediado.jp/ 
 電子書店システムへの活用事例
 Amazon Personalize

2. 自己紹介
 濱口 賢人
 • 2012年 メディアドゥ入社
 • 書店向けシステムの開発を担当
 1

3. メディアドゥとは
 最先端のテクノロジーにより
 電子書籍の流通事業を推進し、電子書籍市場、
 ひいては出版市場全体の拡大に
 貢献することを目指しています。
 2

4. メディアドゥとは
 3

5. メディアドゥとは
 • 電子書籍の取次事業の国内シェア No.1
 • 東証一部上場
 • エンジニアは約100名
 4

6. メディアドゥのシステム
 開発しているシステム
 • 電子書籍コンテンツをお届けする、配信システム
 • エンドユーザと特に密接な、電子書店の構築システム
 • 電子書籍の取次のための、取次管理システム
 • ブロックチェーンを活用した、新規システム
 5

7. メディアドゥのシステム
 開発しているシステム
 • 電子書籍コンテンツをお届けする、配信システム
 • エンドユーザと特に密接な、電子書店の構築システム
 • 電子書籍の取次管理システム
 • ブロックチェーンを活用した、新規システム
 6

8. Amazon Personalize導入の背景
 
 
 
 7
 従来の配信システム md-dc 新しい配信システム メディアドゥ 配信サービス 電子書店 構築システム MDCMS-SD おおよその システム関係性
9. Amazon Personalize導入の背景
 
 
 8
 従来の配信システム md-dc 新しい配信システム メディアドゥ 配信サービス 電子書店 構築システム MDCMS-SD 電子書籍の配信機能と 内製したレコメンド機能 を提供
10. Amazon Personalize導入の背景
 
 
 9
 従来の配信システム md-dc 新しい配信システム メディアドゥ 配信サービス 電子書店 構築システム MDCMS-SD 電子書籍の配信機能に特化 レコメンド機能は書店側で構築
11. レコメンド機能の開発
 10
 • 開発スケジュールは約半年
 • 配信そのものに関わるシステム連携も含めて実装量は多い
 • レコメンドの機能も合わせて新規開発が必要
 刷新に伴うシステムをAWS上で新規開発 レコメンドについてはAmazon Personalizeを活用
12. Personalize 採用に至る背景
 11
 md-dcのレコメンドを移植する方針では、膨大な開発が必要。
 • DBテーブル構成の違いから、MDCMS-SDへの移植は不可
 • 推論に関わる開発は知見がなく、時間かかってしまう
 • +α 新しいAWSのサービスであり、興味があったため
 システム切り替えは全社的な計画であり、開発にかけられる時間を いかに縮められるかが重要なポイントでした。

13. レコメンドの要件
 12
 作品情報の関連性や、ユーザの購入履歴に基づき、
 オススメの書籍を電子書店のWeb上で提案すること
 • シリーズやジャンル、作者情報を元に関連性があること
 • ユーザ毎に最適な作品が選定されること
 • 電子書店のサイト上でレコメンド一覧が提供されること

14. Amazon Personalizeの使い方
 13
 MDCMS-SD データベース Amazon Personalize用 ファイル (S3配置) ユーザ一覧の ファイル 作品一覧の ファイル 購入履歴一覧の ファイル
15. Amazon Personalizeの使い方
 14
 MDCMS-SD データベース Amazon Personalize 最適な 推論アルゴリズム を提案 Amazon Personalize用 ファイル (S3配置) ユーザ一覧の ファイル 作品一覧の ファイル 購入履歴一覧の ファイル
16. Amazon Personalizeの使い方
 15
 MDCMS-SD データベース Amazon Personalize 最適な 推論アルゴリズム を提案 推論結果を出力する APIを提供 MDCMS-SD Webサーバ 推論結果作成 Amazon Personalize用 ファイル (S3配置) ユーザ一覧の ファイル 作品一覧の ファイル 購入履歴一覧の ファイル
17. Amazon Personalizeの使い方
 16
 MDCMS-SD データベース Amazon Personalize 最適な 類推アルゴリズム を提案 類推結果を出力する APIを提供 MDCMS-SD Webサーバ 類推結果作成 ビジネス要件に関する バッチやサーバなど、 赤枠内の実装だけで レコメンド機能が完成 Amazon Personalize用 ファイル (S3配置) ユーザ一覧の ファイル 作品一覧の ファイル 購入履歴一覧の ファイル
18. Amazon Personalizeの使い方
 17
 MDCMS-SD データベース Amazon Personalize 最適な 推論アルゴリズム を提案 類推結果を出力する APIを提供 MDCMS-SD Webサーバ 推論結果作成 Amazon Personalize用 ファイル (S3配置) ユーザ一覧の ファイル 作品一覧の ファイル 購入履歴一覧の ファイル 今までmd-dcで内製していた部分を、 完全にPersonalizeへ任せつつ、 機械学習の専門性を持たなくとも、 レコメンドの実現が可能となった。
19. Amazon Personalizeの活用小話
 18
 レコメンドのためにインプットする情報について
 • データセットの項目数がアップデートされたため活用
 – 電子書籍の書誌データには数々の情報が含まれる
 – レコメンドに効果を発揮しそうな項目を選択
 結果として、md-dcが提供していたレコメンドよりも
 バリエーション豊かな出力結果の作成に成功。

20. Amazon Personalizeの活用小話
 19
 Personalizeへの入力情報
 作品データ
 作品ID, 作者ID, ジャンル(大分類, 中分類, 小分類)
 ユーザデータ
 ユーザID, 月額課金状況(課金中か否か), 成人向け作品可否
 購入履歴
 ユーザID, 作品ID, 購入日時

21. 書誌データ・レコメンド イメージ
 20
 作品 書影 (サムネイル) 作品名 - 1巻 作品の紹介文 〜〜〜 〜〜〜 〜〜〜 作者: 〜〜 価格: 100ポイント 関連作品 (レコメンド) 関連 作品 関連 作品 関連 作品 関連 作品 関連 作品
22. Amazon Personalizeの活用小話
 21
 コスト効率に関して
 • Personalizeの利用金額はAPIの利用頻度に基づく
 • しかし作品情報などのデータはリアルタイムに変動しない
 取り扱うデータの特性に合わせて、
 その他のAWSのサービス(ElastiCache)を組み合わせることで、
 リーズナブルに運用することが可能となりました。

23. まとめ
 
 22
 機械学習やレコメンドの内部処理を実装することなく、
 リーズナブルに開発が完了。
 • 短期間でのレコメンド機能構築
 – フルスクラッチによる開発と比較して 約3ヶ月 の時間短縮
 • マネージドサービスのため保守運用の手間からも解放
 – レコメンドのために確保していたDBやサーバをまるごと削減
 • DBはOracle Exadataを利用していた
 • レコメンド作成のバッチサーバ 3台
 • レコメンド結果出力のWebサーバ3台以上

24. 最後に
 「テクノロジーで出版業界を盛り上げていきたい」
 こちらに共感・興味をお持ちの方は、
 是非とも一緒にエンジニアリングしていきましょう！
 23

25. MISSION 著作物の健全なる創造サイクルの実現 VISION ひとつでも多くのコンテンツを、ひとりでも多くの人へ
26. We’re Hiring ! • Engineer • Engineering Manager • Product Owner https://recruit.mediado.jp/