レコメンドシステムとは
レコメンドシステムとは、利用者の行動履歴や関心に基づいて、個人に最適化された商品やコンテンツを推薦する仕組みです。ECサイトの商品推薦、動画配信サービスのおすすめ機能、SNSの投稿表示順など、現在では多くのサービスで活用されています。
レコメンドシステムでは、利用者同士やアイテム同士の類似性を求めるためにクラスタリングや次元削減などの教師なし学習の考え方が利用されることがあります。一方で、近年のレコメンドシステムではディープラーニングなども広く取り入れられています。
レコメンドシステム代表的な手法として、「協調フィルタリング」と「コンテンツベースフィルタリング」があります。
【協調フィルタリング】
協調フィルタリング（Collaborative Filtering）は、対象ユーザーと嗜好が似ている他のユーザーの行動履歴（購買・閲覧）を基に、まだ体験していないアイテムを推薦する手法です。「似た好みを持つユーザー同士は似た行動を取る」という考え方に基づきます。
例えば映画配信サービスにおいて、
- ユーザーAとユーザーBが視聴する映画の系統が類似している
- ユーザーAが高く評価した映画XをユーザーBはまだ視聴していない
という場合、レコメンドシステムは、その映画XをユーザーBへ推薦することがあります。
このように、アイテムそのものの特徴ではなく、ユーザー同士やアイテム同士の類似性を推薦に利用することがポイントです。
協調フィルタリングは、他のユーザーの行動履歴を利用して推薦を行うため、十分な利用履歴データが必要になります。一方で、十分な利用者データを活用できる環境では、ユーザー自身も気付いていない嗜好を発見できることがあります。
協調フィルタリングはさらに次の2種類に分けることができます。
- ユーザーベース協調フィルタリング
類似した嗜好を持つユーザーが好むアイテムを推薦します。
１）すべてのユーザーの過去の行動履歴を調べ、対照ユーザーと同様の好みを持つユーザーを見つけます。
２）類似したユーザーが気に入ったが、対照ユーザーがまだ接触していないアイテムを推奨します。
- アイテムベース協調フィルタリング
対象ユーザーが好むアイテムと類似するアイテムを推薦する手法です。
例えば、ユーザーAは商品Yを高く評価したとします。そこで、多くのユーザーの購買履歴を見ると、商品Yを購入した人のうちの大きな割合は商品Wも購入する傾向がわかったので、商品WをユーザーAに推薦します。
このように、同じ協調フィルタリングでも、ユーザーベースの手法はユーザー同士の類似性を利用するのに対し、アイテムベースの手法はアイテム同士の類似性を利用します。
実務において、AmazonやNetflixのような大規模サービスでは、処理の高速化、結果の安定性、説明しやすさなどの理由により、ユーザーベースよりアイテムベース協調フィルタリングが採用されることが多いです。
【コールドスタート問題】
協調フィルタリングは十分な利用履歴データへの依存度が高いため、過去データが不足している場合には、「コールドスタート問題」が発生し、適切な推薦を行うことができなくなります。
- 新規ユーザー問題：利用履歴が存在しないため、ユーザーの好みを推定できない問題です。
- 新規アイテム問題：新しく登録された商品やコンテンツに評価データが存在しないため、推薦が難しい問題です。
【コンテンツベースフィルタリング】
コンテンツベースフィルタリング（Content-Based Filtering）は、ユーザーが以前に気に入った、または操作したアイテムと似ているアイテムを推奨する手法です。
商品やコンテンツそのものの特徴に基づいて推薦を行うことがポイントです。具体的には、商品のカテゴリ、ジャンル、キーワード、見た目上の特徴などを利用し、過去にそのユーザーが高く評価したアイテムと「特徴が似ている商品」を推薦します。
例えば、ユーザーが複数のミステリー小説ををECサイトで購入した場合、システムは同様のテーマまたは同じ著者の他のミステリー小説映画を推奨する場合があります。
協調フィルタリングが他のユーザーの行動を利用するのに対し、コンテンツベースフィルタリングは、対象ユーザー自身の過去の嗜好を利用しています。全てのユーザーの好みや行動に関する大量のデータを必要としないため、コールドスタート問題を比較的回避できて、新規アイテムでも推薦しやすいという利点があります。一方で、利用者の関心や過去行動の範囲を超えて、ユーザーが好む可能性のある予想外のアイテムを発見するのには向かないという課題があります。
【ハイブリッド型レコメンドシステム】
近年実用化されているサービスの多くでは、協調フィルタリングの高い推薦精度と、コンテンツベースフィルタリングのコールドスタート耐性を組み合わせた、ハイブリッド型レコメンドシステムが利用されています。
さらに、ディープラーニングなどを活用した高度なレコメンドシステムも利用されています。ニューラルネットワークを用いて、ユーザーとアイテムの特徴をベクトルとして学習することで、より高精度な推薦を実現しています。また、SNSなどではグラフニューラルネットワーク（GNN）を用いて、ユーザーとアイテムの関係をグラフ構造として学習することで、複雑な関係性を捉えるのに有効な手法です。
