G検定 第3章|機械学習の概要

レコメンデーション(推薦システム)

「あなたへのおすすめ」って、どうやって選んでるの?

会話で読んで3分

レコメンデーション協調フィルタリングコンテンツベースフィルタリングコールドスタート問題ハイブリッド

♪この章の曲過去問オーバーフィット

サビで覚えて、下の会話で回収

#1「おすすめ」はどこから来る?

ミコ

昨日リップ1本買ったら、おすすめがリップだらけになった! 見張られてる!?

シオン

…見張りじゃない。レコメンデーション。好みに合いそうなものを選んで出すしくみ。

ルナ

ルナの好みを分かってくれるなんて…♡ もう運命の人なの

シオン

…運命じゃない。購入や評価の記録から、計算してるだけ。

ミコ

計算ってどうやるの? 方法は1つ?

シオン

…代表は2つ。「似た人」を見るか、「似た物」を見るか。

#2協調フィルタリング=似た人の好みを借りる

シオン

…1つめ、協調フィルタリング。好みが似ている人が買った物を、あなたにもすすめる。

ミコ

推しが同じ子が「これもいいよ」って言うやつだ! だいたい当たる!

シオン

…そう。商品の中身は見なくていい。必要なのは、だれが何を買ったか・何点をつけたかの記録。

協調フィルタリングの流れ
  1. 1ユーザーごとの購入・評価の記録を集める
  2. 2あなたと好みのパターンが似ている人を探す
  3. 3その人が高く評価したのに、あなたがまだ知らない物をすすめる
ルナ

知らないジャンルにも出会えるのね♡ 友だちの紹介で恋が始まるみたい

シオン

…それは合ってる。意外な出会い=セレンディピティが起きやすいのが長所。

ミコ

え、待って。じゃあわたしの買い物記録も、だれかのおすすめに使われてる?

シオン

…そういうこと。あなたも、知らないだれかの「似た人」。

#3コンテンツベース=物の特徴で選ぶ

シオン

…2つめ、コンテンツベースフィルタリング。物の特徴を見て、好きな物に似た物をすすめる。

ミコ

ミステリー小説が好きなら、ミステリーの新刊! ってこと?

シオン

…そう。ジャンル・作者・色などの特徴を使う。ほかの人の記録はいらない。

ルナ

でもずっと同じタイプばっかりだと、ルナ飽きちゃう…

シオン

…それが弱点。今の好みの外に出にくい。特徴を用意する手間もかかる。

ミコ

なるほど! 似た人派は冒険できる、似た物派は安定!

2つの方法のちがい
協調フィルタリングコンテンツベース
使うものみんなの購入・評価の記録物の特徴(ジャンル等)
長所意外な物に出会えるニッチな物もすすめられる
弱点新しい物・新しい人が苦手好みの外に広がりにくい

#4はじめましてが苦手「コールドスタート問題」

ミコ

新しいアプリを入れたとき、おすすめが全然ズレてるのはなんで?

シオン

…記録がまだないから。これがコールドスタート問題。

コールドスタート問題

記録が少ない新しいユーザーや新しい商品に対して、うまく推薦できない問題

cold-start problem ── スタートアップ問題とも呼ばれる

シオン

…とくに協調フィルタリングは、まだだれも評価していない新商品をすすめられない。

ミコ

じゃあ新商品は、コンテンツベースなら特徴でいけるじゃん!

シオン

…正解。だから実際のサービスは、両方を組み合わせることが多い。ハイブリッド。

ルナ

ルナも、初対面の人には星座と血液型でおすすめするの♡ コンテンツベース

ミコ

それは占い!

ミコのメモ(自分あて)

試験デンデン! 1問だけ

ある動画サービスで、まだ誰も視聴・評価していない新作を、ジャンルや出演者の情報をもとに好みの近いユーザーへすすめたい。最も適した方法はどれ?

※ 出題範囲を参考にしたオリジナル問題です

この記事の出典

G検定(JDLA ジェネラリスト検定)のシラバス2024(第1.4版)をもとにした非公式の学習コンテンツです。JDLAとは関係ありません。 登場人物は架空のキャラクターです。

第3章のレッスン

  1. 機械学習の3つのタイプ
  2. 回帰問題と線形回帰
  3. 回帰モデルの評価指標(MAE・MSE・RMSE)
  4. 分類問題(ロジスティック回帰とSVM)
  5. 決定木
  6. アンサンブル学習(バギングとブースティング)
  7. クラスタリング(k-means法と階層的クラスタリング)
  8. 次元削減(主成分分析とt-SNE)
  9. レコメンデーション(推薦システム)
  10. 強化学習
  11. 強化学習の代表的な手法(SARSA・方策勾配法・MARL)
  12. モデルの評価指標(混同行列・適合率・再現率・F値)
  13. ROC曲線とAUC
  14. 過学習と汎化性能
  15. 交差検証とホールドアウト検証