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