Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
協調フィルタリング #TechLunch
Search
Livesense Inc.
PRO
April 21, 2014
Technology
0
63
協調フィルタリング #TechLunch
協調フィルタリング
2012/08/08 (水) @ Livesense TechLunch
発表者:土屋 雅行
Livesense Inc.
PRO
April 21, 2014
Tweet
Share
More Decks by Livesense Inc.
See All by Livesense Inc.
EM候補者向け転職会議説明資料
livesense
PRO
0
5
コロナで失われたノベルティ作成ノウハウを復活させた話
livesense
PRO
0
73
株式会社リブセンス 会社説明資料(報道関係者様向け)
livesense
PRO
0
350
転職会議でGPT-3を活用した企業口コミ要約機能をリリースした話
livesense
PRO
0
1k
株式会社リブセンス マッハバイト_プレイブック
livesense
PRO
0
400
Tech Award 2021 選出方法
livesense
PRO
0
1k
株式会社リブセンス エンジニアリング組織を支える風土と制度
livesense
PRO
0
520
株式会社リブセンス・マッハバイト 採用候補者様向け資料
livesense
PRO
0
210
株式会社リブセンス・転職会議 採用候補者様向け資料
livesense
PRO
0
2k
Other Decks in Technology
See All in Technology
コードを書く隙間を見つけて生きていく技術/Findy 思考の現在地
fujiwara3
24
5.2k
**強い**エンジニアのなり方 - フィードバックサイクルを勝ち取る / grow one day each day
soudai
61
18k
20240416_devopsdaystokyo
kzkmaeda
1
190
Java EE/Jakarta EEの現状と将来―クラウドネイティブ時代にJava EEは対応できるのか?―
takakiyo
1
100
プロトタイピングによる不確実性の低減 / Reducing Uncertainty through Prototyping
ohbarye
3
250
KubeCon EU 2024 Recap “Kubernetes Policy Time Machine: Where to Next?”
ryysud
0
130
Garoon 開発チーム / Garoon development team
cybozuinsideout
PRO
2
2.9k
オブザーバビリティの Primary Signals
onk
PRO
0
550
Vertex AI を中心に 生成AIのアップデートを共有します
kaz1437
0
150
Algyan イベント振り返り
linyixian
0
190
Delivering Millions of Messages within seconds @ Duolingo
pelelgrino
0
340
Terraformあれやこれ/terraform-this-and-that
emiki
6
580
Featured
See All Featured
ParisWeb 2013: Learning to Love: Crash Course in Emotional UX Design
dotmariusz
104
6.6k
Teambox: Starting and Learning
jrom
128
8.4k
The Illustrated Children's Guide to Kubernetes
chrisshort
29
46k
Designing for Performance
lara
601
67k
Facilitating Awesome Meetings
lara
41
5.6k
Designing on Purpose - Digital PM Summit 2013
jponch
110
6.4k
Java REST API Framework Comparison - PWX 2021
mraible
PRO
18
6.9k
Build your cross-platform service in a week with App Engine
jlugia
225
17k
Testing 201, or: Great Expectations
jmmastey
27
6.3k
Visualization
eitanlees
135
14k
The Language of Interfaces
destraynor
151
23k
Clear Off the Table
cherdarchuk
83
310k
Transcript
協調フィルタリング 土屋雅行
2 INDEX レコメンド技術導入の目的・メリット レコメンド技術導入で起こってはならないこと 協調フィルタリング アイテムベースの考え方
アイテムベースの問題点 ユーザーベースの考え方 ユーザーベースの問題点 アイテムベースの問題点の解決
3 レコメンド技術導入の目的・メリット コンバージョンに結びつく効果的なレコメン ド 検索・回遊導線の向上 簡単で意図的なレコメンド
セレンディピティ(思いがけない発見)の提 供
4 不適切なレコメンド 重複したレコメンド 既存システムに負荷などのリスクを与える レコメンド技術導入で起こっては ならないこと
5 アイテムベース →ユーザー行動履歴を基に、アイテム間の 類似値を分析し、関連性の高いアイテムを 推薦 ユーザーベース →ユーザー行動履歴を基に、ユーザーごと の嗜好の類似値を分析し、他のユーザーが
好んだアイテムを推薦 協調フィルタリング
6 アイテムベースの考え方 別資料
7 アイテムベースの問題点 1. セットで閲覧するケースが少ない場合、レコメンドされない 、またはレコメンドの精度が悪くなる 2. レコメンドされるアイテムが人気の高いアイテムに偏る 3. レコメンドされるアイテムが長期間掲載しているアイテム に偏る
4. 同一アイテムに対する連続的な閲覧や、クローラー、運営 者などの閲覧によって偏る 5. 関連性のないカテゴリのアイテムがレコメンドされてしまう 6. 自動計算では意図的なレコメンドができない
8 ユーザーベースの考え方 別資料
9 ユーザーベースの問題点 1. ユーザーごとのデータ蓄積が必要なため、初回訪問者へ のレコメンドができない 2. ユーザー数>>アイテム数なため、アイテムベースに比 べて精度が保てる程度のまでのデータ蓄積が遅い 3. ユーザー数>>アイテム数なため、データと計算量が膨
大
10 アイテムベースの問題点の解決 問題1:精度が悪い →行動履歴取得を複数ヶ所で+重み付け 例) ・閲覧×1 ・お気に入り登録×5 ・応募×10
11 アイテムベースの問題点の解決 問題2~4:偏る →各レコメンドアイテムに対する評価を、例えば、5段階で 定義し、レコメンド確率を再設定する 例) 別資料 →1ヶ月前の閲覧より昨日の閲覧を高く評価する、一定期 間より昔の閲覧を集計から除外 →同一アイテムに対する連続的な閲覧や、クローラー、運
営者などの閲覧、レコメンド経由の閲覧を集計から除外
12 アイテムベースの問題点の解決 問題5:関連性のないカテゴリのアイテムがレコメンドされる →ユーザーの登録情報を基にフィルタリング 例)希望職種や希望業種 問題6:意図的なレコメンドができない →一定のルールを適用できる機能を作る 例)特定の企業、求人をレコメンドする(しない)
13 次回 スマートフォン開発について