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

Transcript

1. Spotifyのレコメンドを理解する
   Yuki Nagae
   

   View Slide

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
   

   View Slide

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
   

   View Slide

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
   

   View Slide

5. レコメンデーションはどう動く?
   5
   

   View Slide

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
   

   View Slide

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
   

   View Slide

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
   

   View Slide

9. View Slide

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
    

    View Slide

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
    

    View Slide

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
    

    View Slide

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
    

    View Slide

14. Matrix Factorization
    a
    14
    

    View Slide

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
    

    View Slide

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
    

    View Slide

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
    

    View Slide

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
    

    View Slide

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,
    .
    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,
    .
    Johnson, C. 2015, 'Interactive Recommender Systems with Netflix and Spotify', SlideShare, viewed 15 September 2016,
    .
    Murali, V. 2015, 'DataEngConf: Building a Music Recommender System from Scratch with Spotify Data Team',
    SlideShare, viewed 15 September 2016,
    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
    

    View Slide