推薦システムとは | 第1回 推薦システム概論

下記教科書を基にした推薦システム概論の講義スライドです。
奥 健太：基礎から学ぶ推薦システム - 情報技術で嗜好を予測する -, コロナ社 (2022)

当スライドの利用については下記サポートサイトをご参照ください。
推薦システム概論 | recsys-text

Transcript

1. 推薦システムとは 第1回 推薦システム概論 奥 健太
2. シナリオ Aliceは20歳の大学生です。美味しいものを好みます。今日もとあるクレープ店の Webサイトから美味しそうなクレープを探しています。いろいろあって悩みます ね。すると、「このクレープを好む人は、こんなクレープも好みます」と、美味 しそうなクレープを薦められました。
3. 推薦システムとは Amazon [1] • 「この商品を買った人はこんな商品も買っています」 • 購入履歴や閲覧履歴に基づく「おすすめ商品」 Netflix [2] • 人気の映画や自身の興味に合った映画が推薦される Spotify [3] • 人気アーティストによるプレイリストや気分に合ったプレイリストなどが推 薦される [1] https://www.amazon.co.jp/（2022年6月現在） [2] https://www.netflix.com/（2022年6月現在） [3] https://www.spotify.com/（2022年6月現在）
4. 推薦システムとは 推薦システム（recommender system） ユーザの嗜好に合ったアイテム（商品や映画、音楽、本、動画、画像、ニュース 記事など）を提示するシステム 「特定のユーザに最も興味をもたれそうなアイテムを提案するソフトウェ アツールおよび技術」[Ricci+2015] “Recommender Systems (RSs) are software tools and techniques that provide suggestions for items that are most likely of interest to a particular user.” [Ricci+2015] Recommender Systems: Introduction and Challenges. Recommender Systems Handbook, pp. 1–34. Springer, 2015.
5. なぜ推薦システムが必要か
6. 膨大なコンテンツ 世界の本の数 [4]： ※2010年8月現在 Apple Musicでの配信楽曲数 [5]： ※2022年6月現在 9,000万曲以上 129,864,880冊 Spotifyでの配信楽曲数 [6]： ※2022年6月現在 7,000万曲以上 IMDbでの登録映画タイトル数 [7]： ※2022年3月現在 60万件以上 [4] http://booksearch.blogspot.com/2010/08/books-of-world-stand-up-and-be-counted.html（2022年6月現在） [5] https://www.apple.com/jp/apple-music/（2022年6月現在） [6] https://www.businessofapps.com/data/spotify-statistics/#4（2022年6月現在） [7] https://www.imdb.com/pressroom/stats/（2022年6月現在）
7. 膨大なユーザ生成コンテンツ YouTube [8][9]： ※2022年6月現在 毎分 500 時間以上もの動画投稿 Twitter [10]： ※2018年5月現在 毎分 456,000 ツイート Instagram [10]： ※2018年5月現在 毎分 46,740 写真 Facebook [10]： ※2018年5月現在 毎秒 5 プロフィール [8] https://www.tubefilter.com/2019/05/07/number-hours-video-uploaded-to-youtube-per-minute/（2022年6月現在） [9] https://www.youtube.com/intl/ALL_jp/howyoutubeworks/product-features/search/（2022年6月現在） [10] https://www.forbes.com/sites/bernardmarr/2018/05/21/how-much-data-do-we-create-every-day-the-mind-blowing-stats-everyone-should-read/（2022年6月現在）
8. コンテンツ過多（content overload） 面白いコンテンツ、感動するコンテンツが埋もれている どのようにしてそのコンテンツに巡り合うか？
9. 推薦システム ユーザの行動履歴（購買履歴や閲覧履歴、評価履歴など）を基にユーザの 興味に合うコンテンツの候補を推薦リストとして提示
10. ロングテール（long tail）[アンダーソン2014] ヒットコンテンツ ニッチコンテンツ 推薦システムは テールを押し上げる役割 [アンダーソン2014] クリス・アンダーソン, ロングテール‐「売れない商品」を宝の山に変える新戦略. 早川書房, 2014.
11. ユーザ、アイテム、評価値
12. ユーザ（user） 推薦システムの利用者 ➢ 推薦を受けようとしているユーザを対象ユーザ（active user）とよぶ ユーザ集合 ユーザ ユーザ数 ユーザに関するデータ ユーザID ユーザ名 年齢 性別 1 Alice 20 女 2 Bruno 22 男 3 Chiara 21 女 4 Dhruv 21 男 5 Emi 20 女 デモグラフィック属性（demographic attribute）
13. ➢ 評価値の予測対象となるアイテムを対象アイテム（target item）とよぶ アイテム（item） 推薦システムにおいて扱う商品やコンテンツ 推薦システムが保有するアイテムデータベース アイテム アイテム集合 アイテム数 アイテムID アイテム名 トッピング いちご ラズベリー バナナ チョコ ホイップ カスタード 1 いちごクレープ 1 0 0 0 1 0 2 ラズベリークレープ 0 1 0 0 1 0 : : : : : : : : 13 ラズベリーチョコバナナクレープ 0 1 1 1 1 0
14. アイテムの属性と特徴量 属性（attribute） アイテム i の属性 k に 対する特徴量（feature） アイテムID アイテム名 トッピング いちご ラズベリー バナナ チョコ ホイップ カスタード 1 いちごクレープ 1 0 0 0 1 0 2 ラズベリークレープ 0 1 0 0 1 0 : : : : : : : : 13 ラズベリーチョコバナナクレープ 0 1 1 1 1 0
15. 属性の型 (1) カテゴリカル属性（categorical attribute） ジャンルやメーカなどカテゴリで表される属性 (2) 二値属性（binary attribute） 要素の有無など、二つの値のうちいずれかしかもたないようなカテゴリカル属性 (3) 数値属性（numerical attribute） PCのディスク容量や重量など、数量として表される属性
16. 特徴ベクトル（feature vector） アイテム i の特徴ベクトル（feature vector） アイテムID アイテム名 トッピング いちご ラズベリー バナナ チョコ ホイップ カスタード 1 いちごクレープ 1 0 0 0 1 0 2 ラズベリークレープ 0 1 0 0 1 0 : : : : : : : : 13 ラズベリーチョコバナナクレープ 0 1 1 1 1 0
17. ユーザ u のアイテム i に対する 評価値（rating） 評価履歴（rating history） ユーザ アイテム 評価値 1: Alice 2: マグロ 4 1: Alice 3: 中トロ 3 1: Alice 4: タイ 1 1: Alice 5: ヒラメ 2 2: Bruno 1: カツオ 5 : : : 5: Emi 6: スズキ 3 ユーザがこれまでに利用してきたアイテムに対する評価値の履歴 評価履歴
18. 評価値の型 (1) 数値型評価値（numerical rating） 5段階や7段階などの数値で与えられる評価値 (2) 順序型評価値（ordinal rating） 「大嫌い」、「嫌い」、「どちらでもない」、「好き」、「大好き」などのよう に、与えられた選択肢の中から選ぶことで与えられる評価値 (3) 二値型評価値（binary rating） 「好き」、「嫌い」のいずれかで与えられる評価値 (4) 単値型評価値（unary rating） ポジティブな嗜好のみが与えられる評価値
19. アイテムに対するフィードバックの方法 (1) 明示的フィードバック（explicit feedback） アイテムを利用したり閲覧したりしたユーザが明示的に評価値を入力する方法 (2) 暗黙的フィードバック（implicit feedback） ユーザは評価値を明示的に入力せず、ユーザの行動からアイテムに対する好き嫌 いを推定し、暗黙的に評価値を獲得する方法
20. 評価履歴から評価値行列へ ユーザ アイテム 評価値 1: Alice 2: マグロ 4 1: Alice 3: 中トロ 3 1: Alice 4: タイ 1 1: Alice 5: ヒラメ 2 2: Bruno 1: カツオ 5 : : : 5: Emi 6: スズキ 3 評価履歴 評価値行列 ユーザ u アイテム i
21. 評価値行列（rating matrix） ユーザとアイテムの評価値の関係を表した行列 R ユーザ u アイテム i ユーザ u のアイテム i に対する評価値 欠損値（missing value） 観測値数
22. 推薦問題の定義
23. 対象ユーザ u の対象アイテム i への予測評価値（predicted rating） (1) 嗜好予測問題（preference prediction problem） 与えられたユーザ集合 U およびアイテム集合 I において、対象ユーザ u によって 未評価である対象アイテム i への評価値 ru,i を予測する問題 推薦問題（recommendation problem） (2) 上位 K 推薦問題（top-K recommendation problem） 上位 K 件の推薦リストを生成する問題
24. 順序付け関数（ordering function） スコア関数（score function） 推薦（recommendation） アイテム集合 I が与えられたとき、ユーザ u 向けの推薦リストを返す関数 対象ユーザ u の対象アイテム i へのスコアを返す関数
25. 推薦サイクル（recommendation cycle）