レコメンダーシステムとコンテンツシステム
レコメンダーシステムは、ユーザーが関心を持つ可能性のあるアイテムを提案し、クエリ駆動型検索を補完するパーソナライズされた情報アクセスを提供します。
Definition
レコメンダーシステムは、アイテムのコンテンツ、ユーザーの過去の行動、他のユーザーの行動などの証拠を用いて、ユーザーのアイテムに対する好みを予測し、ランク付けされた提案のセットを提示することで、明示的なクエリを必要とせずにパーソナライズされた情報アクセスをサポートします。
Scope
この分野は、ユーザーにアイテムを積極的に推奨するシステムを対象とします。具体的には、アイテムをユーザープロファイルに適合させるコンテンツベースのレコメンデーション、ユーザーとアイテム間のパターンを利用する協調フィルタリング、シグナルを組み合わせ状況に適応するハイブリッドおよびコンテキストアウェアな手法、そしてレコメンデーションの評価が含まれます。本分野では、レコメンデーションを、情報検索と密接に関連するパーソナライゼーション指向の情報アクセスの一分野として扱います。情報検索と表現や評価のアイデアを共有しつつ、明示的なクエリなしにアイテムを提案するという明確な問題に対処します。
Sub-topics
Core questions
- 明示的な評価と暗黙的な行動から、ユーザーの好みはどのように推測されるのでしょうか？
- コンテンツベースのレコメンデーションは、協調フィルタリングとどのように異なるのでしょうか？
- 協調フィルタリング手法は、多数のユーザーとアイテム間のパターンをどのように利用するのでしょうか？
- コンテンツ、行動、およびコンテキストのシグナルはどのように組み合わされるのでしょうか？
- 予測精度を超えて、レコメンデーションの品質はどのように測定されるのでしょうか？
Key concepts
- ユーザーおよびアイテムプロファイル
- 明示的および暗黙的フィードバック
- コンテンツベースのレコメンデーション
- 協調フィルタリング
- 行列分解／潜在因子
- コールドスタート問題
- コンテキストアウェアなレコメンデーション
- レコメンデーションのランキングと多様性
Key theories
- コンテンツベースと協調フィルタリング
- コンテンツベースの手法は、アイテムの特徴を用いてユーザーが好んだアイテムに類似するものを推奨する一方、協調フィルタリングは、ユーザーとアイテムのインタラクション行列を用いて類似するユーザーが好んだアイテムを推奨します。それぞれに補完的な長所と短所があります。
- 行列分解と潜在因子モデル
- 協調フィルタリングは、スパースなユーザー・アイテム評価行列を低次元のユーザー因子とアイテム因子に分解することとして捉えることができ、それらの内積が好みを予測します。これは現代のレコメンデーションの中心的な技術です。
Clinical relevance
レコメンダーシステムは、eコマース、ストリーミングメディア、ニュース、ソーシャルプラットフォーム、オンライン広告の中心であり、ユーザーがオンラインで遭遇するものの多くを形成しています。これらは情報検索と表現、ランキング、評価方法を共有しており、多様性、公平性、フィルターバブルといった懸念がその設計に大きな影響を与えます。
History
レコメンダーシステムは、GroupLensのような初期の協調フィルタリングシステムとともに1990年代半ばに登場しました。Netflix Prizeコンペティション（2006年〜2009年）は、行列分解手法における大きな進歩を促し、この分野はコンテンツベース、協調フィルタリング、ハイブリッド、コンテキストアウェアなアプローチを網羅する幅広い学問分野へと成熟し、包括的なハンドブックや教科書にまとめられました。
Key figures
- Joseph Konstan
- John Riedl
- Gediminas Adomavicius
- Charu Aggarwal
- Francesco Ricci
Related topics
Seminal works
- ricci2015
- adomavicius2005
- ekstrand2011
Frequently asked questions
- レコメンデーションは検索とどう違うのですか？
- 検索は、差し迫ったニーズを表現する明示的なクエリに応答するのに対し、レコメンデーションは、ユーザーの推測された好みとコンテキストに基づいて、多くの場合クエリなしでアイテムを積極的に提案します。これらは表現とランキングのメカニズムを共有していますが、異なる情報アクセス問題を解決します。
- コールドスタート問題とは何ですか？
- コールドスタートとは、インタラクション履歴がほとんどない、またはまったくない新規ユーザーや新規アイテムに対してレコメンデーションを行うことの難しさです。学習するための評価や行動がない場合、協調フィルタリング手法は困難に直面するため、コンテンツベースの特徴やハイブリッドアプローチがこのギャップを埋めるためによく使用されます。