DMMのあちこちをパーソナライズする推薦システム

Recommendation Industry Talks #1(https://recommendation-industry-talks.connpass.com/event/305091/)における発表資料です。

Transcript

1. © DMM © DMM CONFIDENTIAL DMMのあちこちを パーソナライズする 推薦システム RECOMMENDATION INDUSTRY TALKS #1 合同会社DMM.com レコメンドGrowthチーム　金子剛士 2024/01/17
2. © DMM 自己紹介 金子　剛士 (nadare) 2022年10月に合同会社DMM.comに入社 複数サービスでのレコメンドエンジン作成を担当 Kaggle Competitions Master 最近の趣味はVRChatのBarでお酒を飲むこと 副業で開発しているParakeetVCでボイチェンしながら ウィスキーを片手におしゃべりが楽しい 2
3. © DMM 概要 DMMでは多くのサービスに検索・レコメンド機能を設置し、日々改善を続けています。 本日はDMMでのレコメンドの活用事例とノウハウを紹介することで 皆様がレコメンドを新しく自社で設置する際の参考になれば幸いです。 Table of Contents - DMMのレコメンドの課題 - レコメンドの種類と役割 - レコメンドのロジックと設計 - ノウハウについて 3
4. © DMM DMMのレコメンドの課題 DMMではDMM TVやオンラインゲーム、電子書籍等様々なサービスを扱っており それぞれのサービスの特性とデータに合わせてレコメンドエンジンを作っています DMMのレコメンドの課題 - 膨大なユーザーxアイテムの組み合わせにレコメンドを出すこと - 電子商品の買い切りが多いため、ユーザーに新規アイテムを出すこと - それぞれの事業に合わせたロジックや知見をいれられること - レコメンドエンジン間で知見を共有できること 4
5. © DMM レコメンドの種類と役割 DMMにおけるレコメンドの種類は大きく2つに分けられます。 5 User2Item (あなたへのおすすめ ) Item2Item (関連商品) 対象 ユーザーごと アイテムごと 場所 トップページ 商品末端ページ 更新 日時バッチ (一部随時) 日時バッチ
6. © DMM User2Item (あなたへのおすすめ) ユーザーごとにおすすめのアイテムの並び替えを行います。 以下のような箇所で活用しています - トップページ - メールマガジン また、以下のような活用もしています - 商品属性のレコメンド - 検索結果の並び替え(リアルタイム) - 商品をまとめた棚の縦の並び替え(次頁参照) 6 DMM XXX あなたへのおすすめ 新着作品 ランキング
7. © DMM User2Item (あなたへのおすすめ) セールや一部の商品に限定したレコメンドを作成することや 商品単体ではなく、商品をまとめた棚の縦の並び替えも一部行っています。 7 あなたへの おすすめ 商品01 商品05 商品10 商品03 商品02 セール作品 商品05 商品02 商品04 商品07 商品09 新着作品 商品03 商品09 商品08 商品06 商品11
8. © DMM Item2Item (関連商品) アイテムごとに似たアイテムの推薦を行います。 以下のような箇所で活用しています - 各商品の末端ページ - カート・購入画面 - ユーザーの購入履歴からi2i - アンケートから対象となるアイテムのi2i (コールド スタート) DMM XXX 関連商品 8 商品 ￥XXXX ooooooooo oooooo ooooooooo
9. © DMM レコメンドモデルについて レコメンドでは、ユーザーとアイテムをベクトル表現で表せるよう学習します。 ベクトル同士の内積を計算、もしくはそれぞれをNNモデルに入れることでスコアを予測し、スコ アによってレコメンド結果の並び替えを行います。 次頁よりレコメンドモデルについて下記の観点で紹介します。 - レコメンドモデルの学習に必要なデータ - レコメンドの学習方法 - レコメンドの予測方法 - レコメンドの提供方法 9
10. © DMM レコメンドモデルの学習に必要なデータ レコメンドはコンテンツベースと協調フィルタリングの二種類があります DMMでは協調フィルタリングをベースに、 コンテンツベースのハイブリッドも取り入れています。 10 協調フィルタリング コンテンツ(内容)ベース データ 購入履歴 視聴履歴 レビュー カテゴリ 画像 説明文 事前学習 モデル なし あり 特徴 履歴があれば強力 コールドスタートに強い
11. © DMM レコメンドの学習方法 レコメンドの学習方法は以下の二つを使い分けています 前者を各サービスに設置後、場合に応じて後者のモデルと使い分けています。 11 User-Itemマトリックス Item2Vecモデル 概要 userとitemのembeddingを それぞれ学習する userをitemの加重平均で表現する フレームワーク tensorflow recommenders gensim(ベースライン) スクラッチ実装 利点 簡単でベースライン向き 学習データに存在しない ユーザーにも推薦可能
12. © DMM レコメンドの予測方法 レコメンドの候補探索を2段階に分ける2-tower modelを採用しています。 - クエリに近いアイテムを近似近傍探索により高速に計算するRetrieval Stage - より高度なNNモデルや業務ドメインによるロジックを考慮したRanking Stage 　　　 Ranking Stageでは - i2iなら元商品と同じシリーズやu2iならユーザーの購入済みの作品を除外 - レコメンドが一つのシリーズに固まらないよう多様性の確保 などの工夫を入れながら最終的なレコメンド結果を出しています。 12 Retrieval Stage Ranking Stage 1M items 200 items 20 items
13. © DMM レコメンドの提供方法 推薦結果は日時でDBに格納し、APIやDB等様々な形での提供を行っています。 13 API DB ベクトル 概要 レコメンドの種類ごとに 都度推薦結果を格納 SQL形式で取得できるよ う推薦結果を格納 検索エンジンが利用でき るようベクトルを格納 どこ u2i / i2i等 メルマガ 検索 利点 APIを叩けば良いので組 み込みやすい 一度に大量のユーザー についてSQLから参照 可能 都度リアルタイムでパー ソナライズされたスコア を返却可能
14. © DMM レコメンドのテクニック・ノウハウ 最後にレコメンドに関するノウハウを紹介します。 - レコメンドの粒度を考える - より多くのサービス・面にレコメンドを新規提供する 14
15. © DMM レコメンドの粒度を考える レコメンドの学習・予測においてどの単位でレコードを作るかは重要です 例えば下記のサービスでは以下のようにレコードをまとめ、 学習・予測の軽量化、ユーザーの利便性向上を図っています DMMTV: 作品のシーズン単位でまとめ、複数シーズンがあるものは第一シーズンを推薦 DMMブックス: 作品のシリーズ単位でまとめ、複数巻あるものは第一巻を推薦 適切な粒度に絞り、購入済みや同シリーズの推薦を避けレコメンドを出しています 15
16. © DMM 多くのサービス・面にレコメンドを提供する DMMではサービスごとにレコメンドエンジンを作成していますが、 すぐに用意できるベースラインモデルから活用しています。 また、一つの枠の精度を上げるより、レコメンド結果が表示される枠を増やす方が KPIにつながり、ユーザーの利便性が向上すると考えています。 一つのモデルをi2i、u2i、reranking、メルマガ等に流用することで あちこちをパーソナライズしています。 16
17. © DMM まとめ DMMにおけるレコメンドの概要を簡単に紹介しました。 例えばレコメンドに関われるMLエンジニアが1人で継続運用に不安があれば、 GCPのRetail APIやAmazonのPersonalize等のサービスをおすすめします。 ただ、自前でレコメンドエンジンを作れると、 計算費用は低コストに色々な面を最適化できます。 各社のレコメンドの導入の参考になれば幸いです。 17