Slide 1
Slide 1 text
⽣成AIを活⽤した
Zennの取り組み事例
Igarashi Ryosuke
新規事業統括部 Zennチーム
Slide 2
Slide 2 text
⾃⼰紹介
2
Igarashi Ryosuke
● 2015年 ⼊社
○ バックエンドエンジニア
● 2021年 から Zennチーム
○ Next.js / Ruby on Rails / Google Cloud
Slide 3
Slide 3 text
Zennで⽣成AIを活⽤した主な取り組み
3
● 記事のAIレビュー機能
● 記事のレコメンド機能 ← 今⽇はこれのお話
● コンテンツのスパムチェック
● ⾃然⾔語でのDB問い合わせ
Slide 4
Slide 4 text
Zennで⽣成AIを活⽤した主な取り組み
4
その他は、現在開催中の "Zennfes 2025" の動画で紹介しています。
https://zenn.dev/events/zennfes-2025
Slide 5
Slide 5 text
⽣成AIを活⽤した
記事のレコメンド機能
Slide 6
Slide 6 text
レコメンド機能に取り組む背景
6
● トップページのトレンド（Trending）が偏りがち
○ Web開発系の記事に⼈気が集まる傾向
○ 少し前までは⽣成AI/AI駆動開発など⼀⾊に
○ 良くも悪くもトレンドを反映
● 読者に読みたいコンテンツを届けるのはコンテンツ投
稿サイトの使命
→ 機械学習を使わず、⽣成AIを使ってパーソナライズされ
たレコメンドを！
Slide 7
Slide 7 text
やったこと
7
● phase 1. 6次元ベクトルによる類似検索（βリリース）
● phase 2. Embeddingsによる類似検索（検証のみ）
● phase 3. トピックベースの類似検索（現在）
Slide 8
Slide 8 text
phase 1
6次元ベクトルによる類似検索（βリリース）
Slide 9
Slide 9 text
作戦
9
● トレンドと同じ期間（おおよそ公開から１週間）の記事を推薦する
○ 記事の総数が少ないためピンポイントな推薦は難しい
○ ざっくりとした6つのカテゴリー分類での推薦を⽬指す
● 記事の内容を⽣成AIに読み込ませて特徴を数値化
○ 6つのカテゴリーそれぞれに対する関連度を、6次元ベクトルで表現
● ユーザーが興味を⽰した記事のベクトルからユーザーの興味ベクトル計算
● 記事とユーザーのベクトル類似検索でレコメンド記事を提供
Slide 10
Slide 10 text
詳細
10
①生成AIにより記事の特徴を
数値化（ベクトル化）
②ユーザーが興味を示した記事のベクトル
を集計して、ユーザーの興味を数値化（ベク
トル化）
③ベクトルが近い記
事を抽出
【記事の特徴ベクトル】
【ユーザーの興味ベクトル】
Slide 11
Slide 11 text
プロンプト
11
←ここに記事の本⽂が⼊る
Slide 12
Slide 12 text
出⼒例
12
Slide 13
Slide 13 text
技術トピック
13
● ⽣成AIは Vertex AI - Gemini 2.5 Flash を使⽤
○ レスポンスのフォーマットをJSON Schemaで定義できる
○ 思考（thinking）を有効にすると、深い洞察を⾏う
● ベクトル計算はpgvector（PostgreSQL拡張）を使⽤
○ vector型フィールド
○ ユークリッド距離、コサイン類似度、内積などの演算
○ 近似近傍検索⽤のインデックス
Slide 14
Slide 14 text
より詳しくは
14
https://zenn.dev/team_zenn/articles/zenn-recommend-system
Slide 15
Slide 15 text
結果
15
● ⽣成AIによる特徴抽出は⾼い精度で実現できた。
● 多くのユーザーが求める"レコメンド"と期待値のズレ
○ ユーザーフィードバックの結果
■ レコメンデーションの精度向上/関連性の問題（計8件）
■ フィルタリング/パーソナライズ機能の要望（計11件）
■ 表⽰コンテンツの多様性/量（計5件）
■ UI/UXの改善要望（計8件）
■ その他（計2件）
○ ⾒せ⽅の問題もあった
Slide 16
Slide 16 text
phase 2
Embeddingsによる類似検索（検証のみ）
Slide 17
Slide 17 text
作戦
17
● phase 1の結果、レコメンドの精度に関する期待値ギャップに課題があった。
● 精度を上げるには6次元のベクトルでは⾜りない。
○ ベクトルを増やす？
■ いくつあれば⼗分？
■ ベクトル定義の更新のたびに全件更新が必要...
● Embeddingsを使ってより精度の⾼い類似検索を！
● ユーザーの興味ベクトルは作れないので、直近で閲覧した記事に類似する記事
を提案する
Slide 18
Slide 18 text
Embeddingsとは
18
● 単語、⽂章、画像、⾳声などのデータを数値ベクトルに変換すること。
● 元のデータの意味や⽂脈を数値空間で表現し、意味的に似ているデータはベ
クトル空間上で近くに配置される。
● セマンティック検索（あいまい検索）、RAGなどに活⽤される。
Slide 19
Slide 19 text
● Embeddingsには Gemini API - gemini-embedding-001 を使⽤
○ 次元数は最⼤（デフォルト）3072 から 128まで圧縮可能
■ 今回は768次元で検証
○ タスクに応じたEmbeddings
■ SEMANTIC_SIMILARITY（テキスト類似度に最適）
■ CLASSIFICATION（ラベルに従ってテキスト分類に最適化）
■ CLUSTERING（テキストをクラスタ化するように最適化）
■ RETRIEVAL_DOCUMENT / RETRIEVAL_QUERY（テキスト検索向けに最適化）
■ など
技術トピック
19
Slide 20
Slide 20 text
出⼒例
20
● AWS ECS オートスケーリング Cooldownを知った【2025夏】
↓に類似する記事
● [類似度: 0.896] AWS ECS オートスケーリングの種類を学びました
● [類似度: 0.838] ECSにAWS Gravitionを導⼊すると何が良いのか調べてみた
● [類似度: 0.817] ECS Fargateのソフトウェア‧アップデート運⽤を考える
● [類似度: 0.803] Amazon ECSのアベイラビリティゾーンリバランシングをCDK
で設定する⽅法
Slide 21
Slide 21 text
検証結果
21
● SEMANTIC_SIMILARITY を使⽤して記事本⽂を10,000件程度ベクトル化
● 類似検索の傾向
○ ある程度の⽂量の記事は類似性が⾼い記事が検出しやすい
○ 短い記事やidea記事は微妙
● 結果のコントロールの難しさを感じた
Slide 22
Slide 22 text
（参考）ハイブリッド検索 ※時間が余ってたら
22
● Embeddingsは意味や⽂脈の類似性を捉えるが、単語レベルの類似性は弱い
● より精度を⾼めるには、キーワードの類似性も掛け合わせたハイブリッド検
索を使う
● 2種類のベクトル
○ 密なベクトル（意味的、Embeddingsはこっち）
○ 疎なベクトル（キーワード的）
● 2つのベクトルの類似度を合成してランキングを作る
Slide 23
Slide 23 text
（参考）ハイブリッド検索
23
出典: https://cloud.google.com/vertex-ai/docs/vector-search/about-hybrid-search?hl=ja
密なベクトル 疎なベクトル
Slide 24
Slide 24 text
（参考）ハイブリッド検索
24
● 疎なベクトルの⽣成には、TF-IDF や BM25 のような統計⼿法や、学習済のモ
デル（SPLADEなど）を⽤いる。
● ハイブリッド検索は最近のベクトルDBサービスにはだいたい備わっていそ
う。pgvectorでもサポートあり。
● それぞれのベクトルで類似検索を⾏い、リランキングをする。
Slide 25
Slide 25 text
phase 3
トピックベースの類似検索（現在）
Slide 26
Slide 26 text
作戦
26
● phase 2 検証時点のチーム内の声
○ もっと直近の閲覧状況を反映した記事が⾒たい
○ もっと質の⾼い記事が推薦されてほしい
● 閲覧履歴を記録し、直近10件の記事に頻出するトピックを抽出
● 直近3ヶ⽉以内に公開された記事のうち⼈気度が⾼い記事の中から、トピック
の類似度が⾼い記事を抽出
● ルールベースの推薦
Slide 27
Slide 27 text
お試しください
27
Slide 28
Slide 28 text
課題
28
● 記事に適切なトピックが設定されているか
● ユーザーの記事に対する興味の測り⽅‧重み付け
● ユーザーの興味がないトピックへのフィードバック
Slide 29
Slide 29 text
まとめ
Slide 30
Slide 30 text
まとめ
30
● ⽣成AIによって記事のスコアリングは⾼い精度で実現した
● Embeddingsは明確で⼗分な⽂章量があれば⾼い精度でベクトルが類似する
● レコメンドはとても奥が深い
○ やり⽅が無限にある
■ ルールベース、コンテンツベース、協調フィルタリング、など
○ 変数が多すぎる
■ ユーザーの⾏動（ポジティブ‧ネガティブ）、コンテンツ属性、など
○ UI/UXも⼤事
■ 期待値コントロール、推薦の納得感、など
Slide 31
Slide 31 text
No content