Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
高校講座 | 第1回 推薦システムとは
Search
RecSysLab
PRO
August 06, 2022
Technology
0
520
高校講座 | 第1回 推薦システムとは
下記教科書を基にした高校生向けの推薦システム講座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)
RecSysLab
PRO
August 06, 2022
Tweet
Share
More Decks by RecSysLab
See All by RecSysLab
データベース|SQL
recsyslab
PRO
0
91
龍谷ICT教育|プログラミング演習科目における自動採点ツールを用いた自由進度学習
recsyslab
PRO
0
150
[RecSys2023論文読み会]Interface Design to Mitigate Inflation in Recommender Systems
recsyslab
PRO
0
140
[RecSys2022論文読み会]Bundle MCR: Towards Conversational Bundle Recommendation
recsyslab
PRO
0
440
高校講座 | 第2回 内容ベース推薦システム
recsyslab
PRO
0
470
高校講座 | 第3回 協調ベース推薦システム
recsyslab
PRO
0
450
内容ベース推薦システム | 第2回 推薦システム概論
recsyslab
PRO
0
800
協調ベース推薦システム | 第3回 推薦システム概論
recsyslab
PRO
0
790
知識ベース推薦システム | 第4回 推薦システム概論
recsyslab
PRO
0
730
Other Decks in Technology
See All in Technology
空間を設計する力を考える / 20251004 Naoki Takahashi
shift_evolve
PRO
3
390
AI駆動開発を推進するためにサービス開発チームで 取り組んでいること
noayaoshiro
0
200
Trust as Infrastructure
bcantrill
0
350
SwiftUIのGeometryReaderとScrollViewを基礎から応用まで学び直す:設計と活用事例
fumiyasac0921
0
150
20201008_ファインディ_品質意識を育てる役目は人かAIか___2_.pdf
findy_eventslides
1
500
成長自己責任時代のあるきかた/How to navigate the era of personal responsibility for growth
kwappa
3
280
Shirankedo NOCで見えてきたeduroam/OpenRoaming運用ノウハウと課題 - BAKUCHIKU BANBAN #2
marokiki
0
150
実装で解き明かす並行処理の歴史
zozotech
PRO
1
480
【新卒研修資料】LLM・生成AI研修 / Large Language Model・Generative AI
brainpadpr
25
17k
生成AIとM5Stack / M5 Japan Tour 2025 Autumn 東京
you
PRO
0
220
ZOZOのAI活用実践〜社内基盤からサービス応用まで〜
zozotech
PRO
0
190
From Prompt to Product @ How to Web 2025, Bucharest, Romania
janwerner
0
120
Featured
See All Featured
Creating an realtime collaboration tool: Agile Flush - .NET Oxford
marcduiker
32
2.2k
Responsive Adventures: Dirty Tricks From The Dark Corners of Front-End
smashingmag
252
21k
Sharpening the Axe: The Primacy of Toolmaking
bcantrill
45
2.5k
Facilitating Awesome Meetings
lara
56
6.6k
Thoughts on Productivity
jonyablonski
70
4.9k
Bootstrapping a Software Product
garrettdimon
PRO
307
110k
Raft: Consensus for Rubyists
vanstee
139
7.1k
A better future with KSS
kneath
239
17k
What’s in a name? Adding method to the madness
productmarketing
PRO
23
3.7k
実際に使うSQLの書き方 徹底解説 / pgcon21j-tutorial
soudai
PRO
188
55k
Optimizing for Happiness
mojombo
379
70k
How to Think Like a Performance Engineer
csswizardry
27
2k
Transcript
推薦システムの仕組み ~この商品を買った人は、こんな商品も買っています~ 高校講座 | 第1回 推薦システムとは 奥 健太
推薦システムとは 2
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] •
ジャンル別の人気動画やトピックごとのおすすめ動画 • 詳細ページに表示される「こちらもオススメ」 YouTube [3] • 再生履歴や検索履歴に基づくおすすめ動画 • 再生中の動画の横に表示される関連動画 [1] https://www.amazon.co.jp/ [2] https://www.netflix.com/ [3] https://support.google.com/youtube/answer/6342839?hl=ja 3
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. 4
なぜ推薦システムが必要か 5
世界の本の数 129,864,880 冊 2010年8月現在 Google Books Searchブログ記事 [4] より [4]
http://booksearch.blogspot.com/2010/08/books-of-world-stand-up-and-be-counted.html(2022年6月現在) 6
YouTube 毎分 500 時間以上もの動画投稿 2022年6月現在 YouTube検索 - YouTubuのしくみ [5] より
[5] https://www.youtube.com/intl/ALL_jp/howyoutubeworks/product-features/search/(2022年6月現在) 7
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 [6]: ※2022年6月現在 9,000万曲以上 129,864,880冊
Spotifyでの配信楽曲数 [7]: ※2022年6月現在 7,000万曲以上 IMDbでの登録映画タイトル数 [8]: ※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) [6] https://www.apple.com/jp/apple-music/(2022年6月現在) [7] https://www.businessofapps.com/data/spotify-statistics/#4(2022年6月現在) [8] https://www.imdb.com/pressroom/stats/(2022年6月現在) 8
膨大なユーザ生成コンテンツ YouTube [5][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 [5] https://www.youtube.com/intl/ALL_jp/howyoutubeworks/product-features/search/(2022年6月現在) [9] https://www.tubefilter.com/2019/05/07/number-hours-video-uploaded-to-youtube-per-minute/(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) 9
人生の持ち時間 • 人生80年とすると ◦ 80年 × 365日 = 29,200日 •
1日1本映画を観たとしても、29,200本 しか観れない • 全体のわずか 5% ほどしか消費できない IMDbでの登録映画タイトル数 [8]: ※2022年3月現在 60万件以上 限られた持ち時間で本当に面白い映画だけを観たい つまらない映画は観たくない 10
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? 11
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 12
推薦システム研究の究極的課題 コンピュータは 人の嗜好を予測できるのか? 13
データ×技術による嗜好予測 データ 技術 人のコンテンツに対する嗜好を予測 コンテンツを知る 人を知る 14