20230723 追手門学院大学オープンキャンパス体験講義

2023-07-23, 追手門学院大学オープンキャンパス体験講義
タイトル：「オススメ」の科学

Transcript

1. 「オススメ」の科学 追⼿⾨学院⼤学経営学部情報システム専攻 國島丈⽣
2. どんなところから「オススメ」される？ 商品の製作者、 クリエイターか らSNS等で直接 オススメ ・友⼈から対⾯で ・SNSの有名⼈がオス スメ投稿をしてた ・テレビのCM ・Webページに広告が出 てきた ・YouTubeを⾒てたら動 画広告が出てきた オンラインショッピン グサイトで買い物して たら、⾯⽩そうな商品 をオススメされた 直接オススメ クチコミ 広告 レコメンド（推薦）
3. インターネット・Web以前は？ 商品の製作者、 クリエイターか ら郵便等で直接 オススメ ・友⼈から対⾯で ・テレビのCM ・新聞の広告 ・雑誌の広告 お店の店員さんから商 品をオススメされた 直接オススメ クチコミ 広告 レコメンド（推薦）
4. クチコミ分析：SNSでのフォロー関係 フォローされている数 （フォロワー数）が多 いユーザ （インフルエンサー） 丸で囲ったユーザ はお互いにフォ ローし合っている →これらのユーザ はグループ（コ ミュニティ）を形 成している
5. クチコミ分析：SNSでのフォロー関係 • インフルエンサーやコ ミュニティは、フォロー 関係の図中の⽮印を調べ て考察することで発⾒で きる • このときに使われる⼿法 をグラフ理論と⾔う • 他にも、Webページのリ ンク関係の解析、重要な Webページの発⾒などに も使われている
6. ⾼校までの学びと関係するの？ • ⼀筆書きと関係している • ⼀筆書きができる図をグラフ 理論ではオイラーグラフと⾔ う • オイラーグラフになる条件が数 学的に証明されている By Sevenstar, CC BY-SA 3.0, https://commons.wikimedia.org/w/index.p hp?curid=2753338
7. ネット以前の広告 広告主には、広告を届ける相⼿が何を好んでいるの か、何を求めているのか、広告の商品を欲しがって いるのか、わからない →わからないけど、とにかくたくさんの⼈に届ける
8. ネット広告 Web技術などを使って、広告を出した いユーザの⾏動や興味を何らかの⽅法 で推測 ネット広告をクリックし てもらってショッピング サイトに誘導 どのネット広告（Web, スマホ, 動画, etc.）がどのくら いクリックされたかを集計→結果をすぐに分析して広 告の出し⽅に反映させる
9. ネット広告の例：検索連動型広告 関⻄ 経営学部 ⼊試 この検索キーワード を⼊れてWeb検索を ⾏った瞬間は、「関 ⻄ 経営学部 ⼊ 試」に関連する情報 に興味があるはず 検索サイト
10. ネット広告の例：検索連動型広告 関⻄ 経営学部 ⼊試 検索サイト ⼊札に勝った広告主の広告 を検索結果と同時に表⽰ 「関⻄ 経営学部 ⼊ 試」の検索キーワード 組み合わせに広告を出 す権利を⼊札
11. レコメンデーション（推薦） オススメ！ ショッピングサイトだと： ショッピングサイトのユーザに対して、ショッピングサ イト内で売っている商品の中からオススメを提⽰する
12. 商品の性質を⽤いた推薦（内容ベース） ラノベの転⽣モ ノが好き！ あらかじめ好みを 登録しておくと 好みに合った商品を推薦してくれる 買った商品に⾼評価をつけると ⾼評価した商品に似た商品を推薦してくれ る（同じ著者の本、転⽣モノの漫画、…） 好みに合ってる けど、意外性は 少ないね…
13. ユーザの傾向による推薦（協調ベース） 商品A 商品B 商品C 商品D 商品E 太郎 4 2 5 4 2 ⼆郎 1 5 3 2 5 花⼦ 3 1 4 例：3⼈のユーザが5つの商品に、次のように評価点をつけてい るとします。ただし、花⼦さんは商品D, Eをまだ買っておらず、 評価点もつけていません。 このとき、花⼦さんには商品D, Eのどちらを推薦すればいいで しょうか。
14. ユーザの傾向による推薦（協調ベース） 商品A 商品B 商品C 商品D 商品E 太郎 4 2 5 4 2 ⼆郎 1 5 3 2 5 花⼦ 3 1 4 太郎さん、⼆郎さん、花⼦さんが、商品A, B, Cにどのような評 価点をつけたか、傾向を調べてみましょう。 • 太郎さんと花⼦さんは、少し点数が違うけど傾向は似ている • ⼆郎さんと花⼦さんは全然傾向が違う ですから、太郎さんが⾼い点数をつけた商品Dの⽅が、花⼦さ んが気に⼊る可能性が⾼そうです。→商品Dを推薦しよう！ 評価点しか使っていない→全く違う種類の商品でも推薦できる！
15. ⾼校までの学びと関係するの？ • 内容ベースの「似た商品」も、協調ベースの「ユーザの評価値 の傾向」も、実際は数値で表します • 例：統計で登場するピアソンの相関係数で「評価値の傾向の類似さ」 を表すと • 太郎さんと花⼦さんの「類似さ」は約 1.000（ほぼ同じ） • ⼆郎さんと花⼦さんの「類似さ」は約 0.654 • 実際のショッピングサイトでは、ユーザ数も商品数も⾮常に多 い→すべてコンピュータで計算させて、推薦を⾏います • 評価値の表を⽤いた計算は、⾼校数学の「ベクトル」の発展である線 形代数を駆使します • 線形代数は、AIでも駆使されています
16. 最後に：ちょっと宣伝 • 経営学部情報システム専攻 • OIDAI⼊試ナビより引⽤：情報処理やプログラミングなどを学修し、 数量的な指標に基づいた経営判断ができる⼒を⾝につけます • ⼯学系教員による本格的な情報⼯学の講義科⽬群 • 経営学の講義科⽬群と合わせ、経営＋ITを学べます • IT系の学びを深めて、IT技術者・システムエンジニアとして就職する ルートも（前例多数あり）