Slide 1

Slide 1 text

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


Slide 2

Slide 2 text

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


Slide 3

Slide 3 text

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


Slide 4

Slide 4 text

メディアドゥとは
 3


Slide 5

Slide 5 text

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


Slide 6

Slide 6 text

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


Slide 7

Slide 7 text

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


Slide 8

Slide 8 text

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

Slide 9

Slide 9 text

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

Slide 10

Slide 10 text

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

Slide 11

Slide 11 text

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

Slide 12

Slide 12 text

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。


Slide 13

Slide 13 text

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


Slide 14

Slide 14 text

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

Slide 15

Slide 15 text

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

Slide 16

Slide 16 text

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

Slide 17

Slide 17 text

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

Slide 18

Slide 18 text

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。

Slide 19

Slide 19 text

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。


Slide 20

Slide 20 text

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


Slide 21

Slide 21 text

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

Slide 22

Slide 22 text

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。


Slide 23

Slide 23 text

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


Slide 24

Slide 24 text

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


Slide 25

Slide 25 text

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

Slide 26

Slide 26 text

We’re Hiring ! ● Engineer ● Engineering Manager ● Product Owner https://recruit.mediado.jp/

Slide 27

Slide 27 text

No content