商品キーワードの類似性を用いたレコメンド機能の実装

(1)

商品キーワードの類似性を用いたレコメンド機能の実装

An Imprementation of a Recommendation Sevice on a Web Site by

Using Similarities of Keywords for Items

三條知美

1∗

_{櫻井彰人}

2

Tomomi SANJO

1

Akito SAKURAI

2

1

_{株式会社ネクスト}

1

_{NEXT Co., Ltd.}

2

_{慶應義塾大学}

2

_{Keio University}

Abstract: On a real estate portal site, the recommendation of items, i.e., newly built houses or apartments for sale or rent, is diﬃcult because the real estates are basically unique and moreover the newly built ones in Japan tend to be under construction at the time of recommendatoin and specifying descriptions are not available. We extract keywords from the texts to describe the real estate, used Latent Semantic Indexing to obtain their vector representations, ranked similarity of items by their distance between the vectors, and recommend similar items. The implemented recommendation showed four times increase of click rates on the recommended items than previous recommendation system.

1 はじめに

近年、どのような分野の web サイトにおいても、レコメンデーション機能が用意されている。また、レコメンドエンジンのみを開発し、その機能を利用するための API を提供している会社も存在する。そのような ASP のレコメンド機能を利用しているサイトも存在するが、それらの会社によって提供されるレコメンドの主なロジックは、ユーザの閲覧したアイテムに特性の似たアイテムをレコメンドしたり、同じようなアイテムを閲覧するユーザが閲覧したアイテムをレコメンドしたりする協調フィルタリングや、前日までのアイテムの閲覧回数順によってアイテムランキングを作成して提供したりするコンテンツフィルタリングである。しかし、HOME’S (http://www.homes.co.jp/) のような不動産ポータルサイトを見てみると、レコメンド対象となりうる物件は厳密には同一の物が存在しないこと、また個人によって優先する条件が異なることなどの理由から、既存のレコメンド手法では十分にユーザの嗜好を反映した物件のレコメンドを行うことは難しい。また、その中でも注文住宅という市場は、すでに建 ∗_{連絡先：株式会社ネクスト HOME’S 事業本部} 〒 108-0074 東京都港区港南 2-3-13 品川フロントビル E-mail: [email protected] 設済み、もしくは建設予定のものでも完成させる建物の間取りが決まっているような、賃貸・売買のマンションなどとも異なり、まだ実態の無いデータを用いるという特殊なアイテムを取り扱っている。 2012 年当時、HOME’S の注文住宅サイトでも、他社の提供するレコメンドエンジンを利用して、ユーザにアイテムの推薦を行っていた。このエンジンは、主に協調フィルタリングとユーザの閲覧履歴からのみレコメンドを行っていたと推測されるが、ユーザの反応は良くなかった。そのため、HOME’S の注文住宅サイトに特化したレコメンド手法を提案する必要があった。そこで、本研究では HOME’S 注文住宅サイトに適したレコメンド手法を提案するとともに、その手法でアイテムを推薦する機能を実装し、ユーザの実利用に供した。注文住宅サイトに掲載されているアイテム（物件）は、アイテムの特徴を説明するための文章と、そのアイテムがどういう特性を持っているのかを示すキーワードが付与されている。そこで、アイテムと複数のキーワードが紐づいているという特性を活かし、トピックモデル解析を適用したアイテムレコメンドの手法を提案する。本論文では、さらに、この手法に基づいたアイテムレコメンド機能を実装しリリースした結果について報告する。人工知能学会研究会資料 SIG-FPAI-504-05

(2)

2 関連研究

トピックモデルに関しては、最近さまざまな分野で応用されるようになってきており、研究も数多くなされている [1][2][3][4]。 web ページに関するレコメンドの多くは、ユーザの web ページの閲覧履歴をクラスタリングし、各ユーザクラスタ毎に適した情報推薦内容を推定しようとするものであり、トピックモデルの利用のし方は、各研究によって工夫を凝らしている [5][6]。たとえば、あるレシピサイトを対象としてユーザの行動を確率モデルで表現するという研究がおこなわれている [5]。この研究では、web の行動履歴にユーザ属性としてデモグラフィック属性と価値観をそれぞれアンケート、インタビューによって取得し、ユーザ属性と行動履歴をクラスタリングしたうえで、レシピをレコメンドするという方法を提案している。あらかじめレシピ名とレシピの属するカテゴリを用いてレシピ間の距離を計算しておき。あるレシピが閲覧されると、レシピ距離が近い順に 3 件推薦する仕組みになっている。さらに、pLSI（probabilistic Latent Semantic Indexing）により、アンケートによりレシピとユーザ属性、および生活パターンと閲覧傾向の関係をクラスタリングし、同クラスタ内のレシピからレコメンドを行うという工夫を行っている。同クラスタ内からレコメンドを行う場合と、クラスタには無関係にレシピをレコメンドする場合を比較した結果、この研究ではクラスに無関係にレコメンドを行ったほうが精度が良かったと報告されているが、課題にも述べられているようにデータ量を増やせば精度が変わることが予想される。 HOME’S 注文住宅サイトにおいては、レシピ名に材料名が含まれるように、物件名などが物件の特徴を直接的に表現する名前になっているとは考えにくいため、同手法の適用は難しい。また、マイクロブログの投稿を推薦するためにトピックモデル解析を利用した研究がある [6]。この研究では、 LDA （Latent Dirichlet Allocation) を用いてユーザ投稿のトピックを推定したうえで、生起確率の高いトピックはその値をそのまま評価値として用いている。一方、生起確率が閾値に満たない投稿の少ないトピックについては、得られたトピックのベクトル表現を用いて、他の全ユーザとのコサイン類似度の累積を評価値として用い、評価値の高いトピックはユーザの興味があるトピックであると推定する手法を提案している。ユーザの以前の投稿から得られているトピックに新規の投稿を割り当てる際にその精度を上げる工夫を行い、新規の投稿が、ユーザの興味のあるトピックであった場合にはその投稿をレコメンドするというように、未知データにも対応できるシステムを実装している。この研究では提案手法と LDA のみによる興味推定、情報推薦を行った場合について、それぞれ、被験者に興味の有り無しを付与してもらったデータを正解として用いて比較を行っている。その結果、LDA のみによる推薦よりも提案手法のほうが有効であったことを示している。ユーザ自身の投稿情報からユーザの嗜好を推定できるため非常に精度の高いレコメンドが可能であると考えられるが、HOME’S サイトでは、現在、アイテムに対してユーザの嗜好を付与するために必要な情報が無いため、実現が難しい。

3 提案

先に述べたように、HOME’S 注文住宅サイトでは ASP によって提供されるレコメンドエンジンの機能では不十分であった。そのため、本件研究では注文住宅サイトで選択可能なアイテムと、それらが持つ特徴キーワードから、ユーザに、閲覧中のアイテムと類似したアイテムをレコメンドするための機能を提案する。 HOME’S 注文サイトでは、扱うアイテムは次の 4 つのカテゴリに分類される（図 1）。図 1: HOME’S 注文住宅サイトの検索トップページ住宅カタログ（カタログ）、住宅メーカー（会社）、施工事例（事例）、見学会・住宅イベントである。しかし、見学会・イベントのカテゴリからは物件の情報が得られないため除外し、カタログ、会社、事例の 3 つのカテゴリを本研究の対象とした。どのカテゴリから検索を行うのかをユーザが選択し、次にユーザが家を建てたいエリアにさらに絞り込んでアイテム検索を進めていく。 HOME’S 注文住宅サイトでは、検索時に絞り込み可能な図 2 のようなサブカテゴリ（性能、エコロジーなど）が存在し、ユーザが選択可能なキーワード（高気密・高断熱住宅、省エネ住宅など）がサブカテゴリに分類されている。これらのキーワードがアイテムに付与されている。以上の状況から、個々のアイテムが持っているキーワードを利用して、トピックモデルによりアイテムの

(3)

図 2: HOME’S 注文住宅サイト、検索サブカテゴリ・キーワード抜粋縮約ベクトル表現を求め、ベクトル間の距離により、閲覧されたアイテムと距離が近いアイテムをレコメンドするという方法を提案する。なお、実際にこの手法に従ってアイテムをレコメンドする機能を実装し、既存のサービスとの置き換えを行った結果についても後述する。

3.1 提案詳細

カテゴリ、会社・カタログ・事例に属する個々のアイテムは、それぞれ最大 5 つのキーワードを持つ。キーワードは全 49 個（2012 年 12 月現在）である。それらを表 1 に示す。各アイテムとキーワードの関係をアイテムを文書、キーワードを単語とみなして、LSI（Latent Semantic Indexing）によりトピックモデル解析を行う。全キーワードをダミー変数として、各アイテムがそのキーワードを含む場合 1、含まない場合 0 という 49 次元のベクトル表現を用いる。カテゴリが会社の場合の会社・キーワード行列はおおよそ 2,200×49、カタログの場合のカタログ・キーワード行列はおおよそ 57,00×49、事例の場合の事例・キーワード行列はおおよそ 3,600×49 次元であった。こうして得られた行列を LSI を用いて 10 次元に圧縮し、カテゴリごとの全アイテム数_{×10 次元のベクトル} を得ておく。この 10 次元のベクトルを用いて、アイテム間のコサイン類似度を計算し、ユーザが閲覧したアイテムと類似度の高い順に推薦アイテムを決定する。

3.2 提案システム

3.1 節で述べた類似度を利用して、あるアイテムが閲覧された時にそのアイテムと類似度が高いアイテムをユーザにレコメンドする仕組みを実装した。表 1: キーワード無垢の木材リビング・ダイニング地域の木材キッチン自然石サニタリーレンガ地下室自然素材ガレージ健康住宅 2 世帯省エネ住宅ペット共生オール電化ローコストソーラーハウス高級和風高気密・高断熱輸入住宅耐震性 3 階建て防音・遮音性大空間防犯地下室耐久性屋上 24 時間換気システム中庭 (パティオ) 通風店舗併設採光階段トップライトロフトバリアフリー和室外観デザイン平屋内装デザイン輸入住宅生活動線デザイン 3 階建て狭小敷地サンルームエクステリア収納・ウォークインクローゼットまた、類似度の高さ以外にも、次のようなことを考慮し、システム要件に追加した。 1. 施工会社が対応不可能なエリアのアイテムをレコメンドしても意味が無いため、都道府県ごとに類似度行列を求めることとした。 2. 既にユーザが閲覧したアイテムを除外する。 3. 既存システムへの変更影響を極力少なくする。システム概要を、カテゴリが事例の場合の処理を例に、簡単に示す（図 3）。図 3 の色のついた処理・データが新規に追加したもので、中間データ（キーワードリスト）などを使い、既存の処理にあまり影響を及ぼすことが無いように工夫して機能追加を行った。処理の流れは次のようになっている。 1. 各アイテムの情報（事例テーブル）と、各アイテムが持つキーワード（キーワードテーブル）から、県別にアイテムキーワードファイル（都道府

(4)

図 3: システム概要（例：事例）県別事例・キーワードリストファイル）を作成する。 ※対応可能都道府県が全国のアイテムは、すべての都道府県ファイルに出現する。 2. 作成された都道府県別事例・キーワードリストファイルを取り込み、類似度行列計算モジュールで、先の方法によりアイテムごとに類似度を計算し、県別にアイテム間の類似度行列を作成する。 3. 計算を行った結果を道府県別事例・距離行列リストファイルに保持する。 4. 作成された道府県別事例・距離行列リストファイルから、事例・距離ランクテーブルにデータを取り込む。 1∼4 の処理を、サイトの参照数が少ない時間に毎日バッチで行っておく。ユーザが閲覧している事例と住所情報を基に、事例・距離ランクテーブルから検索を行い、閲覧中のアイテムと類似度が高くかつユーザがまだ見ていないアイテムを抽出し類似度が高い順にレコメンド枠に表示する。

4 検証結果と考察

前節で述べたシステムを実際にサービスインした結果、ユーザの動きにどのような影響を与えたのかを、以前のレコメンドエンジンの実績と比較し検証を行う。レコメンドしたアイテムのクリック割合と、レコメンドしたアイテムを経由したユーザの行動について図 4 に示す。比較した指標は次の 2 つである。一つ目は、ユーザのレコメンドアイテム利用率（ユーザ一人当たり、レコメンド機能により提案されたアイテムをクリックした割合であり、クリック数をレコメンド回数で割った値）である。そして二つ目は、レコメンドアイテム経由の反響割合（レコメンド機能により提案されたアイテムを経由して反響を行ったユーザの割合）である。あるアイテムを取り扱う施工会社に問合せを行うことを以下反響と呼ぶ。図 4: レコメンド機能リリース前後比較図 4 の左側の 2 本の棒が、ユーザのレコメンドアイテムの利用率を示している。左側が本提案手法のリリース前、右側がリリース後である。 2015 年 7 月に本機能のリリースを行ったが、それ以前の 2015 年 4 月∼6 月の月平均のユーザのレコメンドアイテム利用率が 10.9%であったのに対し、リリース後の 2015 年 7 月∼2015 年 3 月の同数値の月平均は 33.3%と 3 倍以上となった。次に、図 4 の右側の 2 本の棒が、反響した全ユーザ数のうち、レコメンドアイテム経由後に反響を行ったユーザ数の割合を示している。左側がリリース前、右側がリリース後である。リリース前のレコメンドアイテム経由の反響が HOME’S 注文サイト全体の反響に占める割合は 4.9%であったのに対し、リリース後にはその数値が 11.8%と、こちらも 2.5 倍近い数値となった。以上のことから、ユーザの行動履歴にたよらずアイテムとキーワードの関係性から導出されるアイテム間の類似度を利用したレコメンドは、ユーザに受け入れられやすく、納得のいくレコメンドが実現できるようになったと考えられる。

5 まとめ

一般的なショッピングサイトと比較して、扱うアイテムの性質が大きく異なる、注文住宅のポータルサイ

(5)

トに適したレコメンド手法を提案した。同じアイテムが存在しないことなどから、他のサイトで利用されているような協調フィルタリングの手法は適用できなかったため、各アイテムが複数のキーワードを持っている性質を利用して、トピックモデル解析によってアイテム間の類似度を算出し、ユーザに閲覧されているアイテムと類似度の高いアイテムをレコメンドする方法を提案した。さらに、その手法でアイテムをレコメンドする機能を実装し、実サイトで運用を行いユーザに利用してもらった。その結果、ユーザ一人あたりが本レコメンド機能によりレコメンドされたアイテムを閲覧する割合は、以前のレコメンドエンジンと比べ、10.9%から 33.3%と 3 倍以上となった。また、レコメンド機能によりレコメンドされたアイテムを閲覧し反響に至るユーザの割合が、以前のレコメンドエンジンでは 4.9%であったのに対し、本レコメンド手法では 11.8%と 2.5 倍程度に増加した。よって、トピックモデルにより算出される類似度に従ってアイテムをレコメンドすることが、注文住宅ポータルサイトにおいて有効であることを示せた。

参考文献

[1] Thomas Landauer, P. W. Foltz, D. Laham: In-troduction to Latent Semantic Analysis,

Dis-course Processes, No. 25, pp. 259-284(1998)

[2] David M. Blei: Latent Dirichlet Allocation,

Journal of Machine Learning Research,, Vol.3,

pp.993-1022(2003)

[3] Thomas Hofmanni: Probabilistic Latent Seman-tic Analysis, UAI, 1999: 289-296(1999)

[4] David M. Blei, John D. Laﬀerty: Dynamic Topic Models, Proceedings of the 23rd international

conference on Machine learning, ACM, 2006. p.

113-120(2006) [5] 西尾義英, 藤井絵美子, 安松健: Web サイト閲覧行動のモデリングと評価, 人工知能学会全国大会論文集, No. 28, pp. 1-4(2014) [6] 渡邊恵太, 加藤昇平: トピックモデルと協調フィルタリングに基づくユーザ興味を反映した情報推薦システム, 人工知能学会全国大会, 2M3-4, (2014)

商品キーワードの類似性を用いたレコメンド機能の実装