gistfile1.md

B-6 ベイズ推定とDeep Learningを使用したレコメンドエンジン開発

16:50-17:30

• レコメンデーション

  • アイテム単位：この商品を買った人は(ry
  • ユーザ単位：あなたへのオススメ

• 開発の同期

  • スタンプ数の急速な増加
  • 欲しいスタンプが見つからない

前提条件

• ユーザ数：MAU 1.8億人
• スタンプ数：9万以上
• 約200の地域で販売
• 公式スタンプ / クリエイターズスタンプがある
  • 販売数のオーダーが異なる(100,1000倍前後)
• メタデータの不在
  • 「ネコ」タグ、のようなものが存在しない

アルゴリズム

• item単位の計算をしてから、ユーザ単位の計算をする
  • アイテム間の近さを計算してからユーザの計算をする
  • 計算量を考慮すると、スタンプ単位の計算から先に入ったほうが良い

アイテムのレコメンド

• ある人がどのようなスタンプを買ったか
  • 似たようなスタンプを買っている：共起関係が強い

• 行列で計算
  • スパースな行列なので1.8億 x 9万でもなんとかなる
  • α：確率が0になると、うまく動かないことがあるので、リリクレジュレン分布を仮定した上で決定

• イプシロンを入れる理由
  • 売れ筋のアイテムしか出てこないという問題がある
  • クリエイターズスタンプがレコメンドに全然出てこないという問題。目指したいレコメンデーションとは遠くなってしまう。
  • イプシロンを入れてあげると、公式スタンプからクリエイターズスタンプのレコメンドを出すことができる

• 全世界版で確率分布を先に出す
  • その後に、各地域ごとの確率分布を出す

ユーザのレコメンド

• 仮定
  • 気に入ったスタンプをよく使う
    • これだけだと、昔に購入したスタンプが残りすぎる
  • 最近購入したスタンプをより好む

• 枝刈り

  • 所有する各スタンプに対するアイテムレコメンドTop-Nを表にまとめる
  • 図のルールで順番にスタンプをn個選択
  • 選んだスタンプのみスコアを評価

• 実績

  • ランキング1000位以降の販売数が大きく上昇
  • アイテムレコメンドのCTRは9倍

実装

• データソースを入れ替えることで公式アカウント、LINE@のレコメンドも可能

最近の改善

• コールドスタート問題

  • 新しいアイテムやユーザが追加された時、類似アイテムを見つけるのが困難

• 画像の類似度に基づくレコメンデーション

  • Deep Learningで類似度判定
  • スタンプに購買履歴がない場合に適用

• Deep Learning

  • スタンプに含まれる複数の画像から特徴量を抽出
  • 特徴量を比較して類似度を判定

まとめ