Upgrade to Pro — share decks privately, control downloads, hide ads and more …

Spotifyのレコメンドを理解する / Recommender Systems using Collaborative Filtering - Spotify

Spotifyのレコメンドを理解する / Recommender Systems using Collaborative Filtering - Spotify

79a92313bba008d66f30b226ee618fa7?s=128

yukinagae

June 11, 2019
Tweet

Transcript

  1. Spotifyのレコメンドを理解する Yuki Nagae

  2. Table of Contents 1. はじめに 2. Spotifyについて 3. レコメンデーション手法: 協調フィルタリング

    4. 良いところ・悪いところ 5. まとめ 2
  3. レコメンデーションとは? レコメンデーションとは、 ユーザに商品をおすすめする こと によりユーザが何の商品を買うか、何の 音楽を聴くかなどを手伝うこと(意訳) (Ricci, Rokach & Shapira

    2011) 3
  4. なぜ今レコメンデーションが重要? ユーザにとって • 大量の情報(Webサイト)から適切な商品を見つける 企業にとって • 販売アイテム数を増やす • より多様なアイテムを販売する •

    ユーザー満足度を高める • ユーザーの忠実度を高める • ユーザーのニーズを理解する 4
  5. レコメンデーションはどう動く? 5

  6. レコメンデーションの手法一覧 • コンテンツベース • 協調フィルタリング <= 今日はこれをやる! • ユーザの属性ベース •

    知識ベース • コミュニティベース • 上記の組合せ(ハイブリッド) etc 6
  7. レコメンデーションに必要な情報 • アイテム (ex. 曲, 映画, ニュース記事 etc) • ユーザ

    • トランザクション (ユーザのアイテムに対してのフィードバック) ◦ 明示的なフィードバック (ex. 評価・レーティング, like etc) ◦ 暗黙的なフィードバック (ex. クリック, 閲覧 etc) 7
  8. Spotifyについて • ユーザ数: 24 million アクティブユーザ / 6 million 有料ユーザ

    • 曲数: 20 million • プレイリスト: 1 billion のユーザが生成したプレイリストがある 8
  9. 9

  10. Spotifyはどこでレコメンデーションして る? 協調フィルタリング • Discovery Week Playlist • Spotify Radio

    10
  11. 協調フィルタリングとは? 似た趣味を持ったユーザが過去に好きなアイテム をおすすめする 11

  12. 協調フィルタリングの仕組み? データ • ユーザ • アーティスト • 視聴回数 アルゴリズム •

    Matrix Factorization(行列分解) 12
  13. 協調フィルタリングの仕組み? データ ユーザID アーティスト 視聴回数 00000c289a1829a808ac09c00daf10bc3c4e223b The Beatles 2137 00001411dc427966b17297bf4d69e7e193135d89

    Red Hot Chili Peppers 691 00004d2ac9316e22dc007ab2243d6fcb239e707d Bob dylan 1384 … たくさん!!! ... ... 13
  14. Matrix Factorization a 14

  15. Matrix Factorization (例) The Beatles Coldplay Maroon 5 Linkin Park

    ユーザ 1 5 3 ? 1 ユーザ 2 4 ? ? 1 ユーザ 3 1 1 ? 5 ユーザ 4 1 ? ? 4 ユーザ 5 ? 1 5 4 15
  16. Matrix Factorization (例) • ユーザ 1 と ユーザ 2 は趣味が似てる!

    The Beatles Coldplay Maroon 5 Linkin Park ユーザ 1 5 3 2.18 1 ユーザ 2 4 2.40 1.97 1 ユーザ 3 1 1 5.32 5 ユーザ 4 1 0.85 4.59 4 ユーザ 5 1.36 1 5 4 16
  17. 良いところ・悪いところ 良い • 予測の精度が良い! • 実装が簡単 • 新しいデータも簡単に追加できる 悪い •

    Cold Start 問題 ◦ 新しいアイテムを新しいユーザにおすすめできない(似ているユーザがわからない) ! • スケールが難しい • Harry Potter 効果 ◦ みんな Harry Potter が好き, だからと言ってみんなに Harry Potter をおすすめする? 17
  18. まとめ • Spotifyは協調フィルタリングでユーザに曲のレコメンドをしている • 協調フィルタリングは [アイテム] x [ユーザ] を元にレコメンドしている •

    良いところ: 精度がいい(らしい)! • 悪いところ: 大量のデータが必要! (Cold Start 問題) 18
  19. 参考文献 Balabanović, M. & Shoham, Y. 1997, 'Fab: content-based, collaborative

    recommendation', Communications of the ACM, vol. 40, no. 3, pp. 66-72. Bickson, D. 2012, 'Harry Potter Effect on Recommendations', weblog, viewed 15 September 2016, <http://bickson.blogspot.com.au/2012/09/harry-potter-effect-on-recommendations.html>. Ricci, F., Rokach, L. & Shapira, B. 2011, Introduction to recommender systems handbook, Springer. Johnson, C. 2014, 'Algorithmic Music Recommendations at Spotify', SlideShare, viewed 15 September 2016, <http://www.slideshare.net/MrChrisJohnson/algorithmic-music-recommendations-at-spotify>. Johnson, C. 2015, 'Interactive Recommender Systems with Netflix and Spotify', SlideShare, viewed 15 September 2016, <http://www.slideshare.net/MrChrisJohnson/interactive-recommender-systems-with-netflix-and-spotify>. Murali, V. 2015, 'DataEngConf: Building a Music Recommender System from Scratch with Spotify Data Team', SlideShare, viewed 15 September 2016, <http://www.slideshare.net/g33ktalk/dataengconf-building-a-music-recommender-system-from-scratch-with-spotify- data-team>. Thorat, P.B., Goudar, R. & Barve, S. 2015, 'Survey on collaborative filtering, content-based filtering and hybrid recommendation system', International Journal of Computer Applications, vol. 110, no. 4. 19