利用者の好みをとらえ活かす-嗜好抽出技術の最前線- : 2.ネットワーク上のユーザ行動に着目した嗜好抽出・情報推薦 1）協調フィルタリングを用いたレコメンドサービスの導入事例と課題

全文

(1)特集利用者の好みをとらえ活かす－嗜好抽出技術の最前線－. ❷ ネットワーク上のユーザ行動に着目した嗜好抽出・情報推薦. 市川裕介 NT T 情報流通プラットフォーム研究所. を，実際に稼働している EC サイトへ導入し，実証実験. はじめに. を行った結果について解説を行い，最後に EC サイトへ. EC サイト等において，顧客個々の好みを分析し，顧. 協調フィルタリングを用いる場合の課題について述べて. 客ごとに興味のありそうな商品や情報を抽出しておす. いく．. すめ（表示）することを One to One レコメンドと呼ぶ． One to One レコメンドは，ユーザにとっては好みの商. One to One レコメンドの実現方式. 品へ即座にアクセスできるために利便性が向上し，サイトの運営者にとっては商品購買率や顧客生涯価値☆ 1 が. 現在，EC サイトにおいて利用されている方式は，. 向上することが期待でき，ユーザ・運営者双方にとって. 表 -1 に示す 3 方式に大別することができる 1），2）．. メリットのあるサービスとして注目されてきた 1）．. このうち，現在多く用いられている方式は，ルールベ. One to One レコメンドは，①まず会員登録時のプロ. ース方式と自動レコメンド方式である．ルールベース方. フィール登録，アンケート回答，購買・サービス利用履. 式は，ルールの設定・メンテナンスにコストがかかるが，. 歴，Web アクセス履歴，等の顧客情報を収集し，②収. 複雑な商品オプションの組合せ条件を設定可能なため，. 集した顧客情報を分析，そして③分析結果に基づき個人. 保険・証券，自動車等，販売単価が高く，オプションを. 別推薦アイテムを提示，の 3 段階で実現される．この. 複雑に組み合わせて販売する商品を扱うサイトによく使. 3 段階の中核となるのが，②の段階で分析を行う「レコ. われる．. メンドエンジン」である．. 一方，自動レコメンド方式は，他の 2 方式が手動で推. 本稿では，EC において用いられるレコメンドエンジ. 薦アイテムを決定しているのに対して，自動的に推薦ア. ンの種類について説明した後，そのうちの「協調フィル. イテムの決定を行う点で大きく異なる方式である．自動. タリング」型のレコメンドエンジンの実例として，我々. レコメンド方式は，以下の点で他の方式より優れており，. が独自に開発したレコメンドエンジン“AwarenessNet”. 主に商品点数の多い書籍や音楽，ゲームソフト等の販売サイトで活用されており，現在も研究開発の中心的な話題となっている．. ☆1. 1 人 1 人の顧客がある企業に対して取り引きのある間に支払う累積金額から，その顧客を獲得・維持するための費用合計を差し引いた「累積利益額」．マーケティング用語．LTV（lifetime value）と略して使用されることが多い．. 方式. 利用情報. • マーケティング専門家によるルール設定等の準備作業が不要（人的コストの削減）. 方法. メリット. デメリット. チェックボックス方式. ユーザからの事前登録情報あらかじめユーザが登録し設定が単純で容易に使用でユーザにはアンケート登録た興味カテゴリーに基づきる．の手間がかかる．き，一致するカテゴリーのアイテムを推薦．. ルールベース方式. サイトの運営者が設定したサイトの運営者がユーザのサイト運営者の意思を反映ルールプロファイルごとに登録ししやすい．たルールに基づきアイテムを推薦．. 自動レコメンド方式. ユーザの行動履歴. 表 -1 レコメンドシステムの分類. 972. 48 巻 9 号情報処理 2007 年 9 月. システムがユーザの行動履歴からユーザの嗜好を自動的に計算し推薦アイテムを抽出．. アイテム数が増加したり，プロフィールの細分化が進むと，設定が複雑になり困難．. 自動的に嗜好の推測を行うレコメンドを得るにはあるので，ユーザ・サイト運営程度以上の行動履歴が必者双方に負担がかからな要．い．.

(2) ❷ ネットワーク上のユーザ行動に着目した嗜好抽出・情報推薦は Tapestry6）や GroupLens7）が代表的である．ビジ. Ｃ. 類似度小. 1 6. 類似度大. Ａ. 1. 2. 類似. 3. 4. 4. 8. ネスフェーズにおいては，GroupLens の商用版であ. Ｂ. る NetPerceptions 等を代表に商用化が行われており， Amazon.com で採用されることで一躍有名になった．日本においては，1999 年に NetPerceptions が日本法人を. 2 3. 5. A，B，C：利用者 1, 2, ･･･, 8：アイテム. 立ち上げたほか，我々が開発した AwarenessNet が国産では初の自動レコメンドエンジンとして 2000 年に販売開始された 1）．. Aのデータにないアイテム5を推薦. 図 -1 協調フィルタリングの基本動作. 導入事例協調フィルタリングを用いた導入事例として，我々が. • ユーザ数やアイテム数の増加，ユーザの嗜好の変化等に動的に追従できる（高拡張性） • 意外性のあるアイテムのレコメンドができる（潜在的な興味の掘り起こし）. 実サイトに対して行った実証実験について紹介する．本実験は，我々が開発した AwarenessNet を実際の EC サイト上で運用することにより，実践的な観点での有効性を表す評価データの測定を行うことを目的に実施したも. 自動レコメンド方式を実現するアルゴリズムを，利用. のである．. する情報に着目して分類すると，以下の 2 方式に大別できる 3）．. 【アクセス履歴のみでレコメンドを実現する AwarenessNet 】. • コンテンツベースフィルタリング. まず，AwarenessNet の仕組みについて解説する．. • 協調フィルタリング. 協調フィルタリングにおいて主要な技術は，ユーザデ. 「コンテンツベースフィルタリング」は，アイテムの. ータの間の類似度判定であり，さまざまな手法が提案さ. コンテンツ情報の類似度に基づき，ユーザの評価したア. れているが，類似度計算の元となる各ユーザの興味デー. イテムと類似したアイテムを抽出する方式である．アイ. タにはユーザから入力された評価値を利用している場合. テム間の類似度の算出に履歴を使用していないため，サ. が多い．たとえば，対象となるアイテムに対して，「非. イト内に蓄積された全体の履歴数が少なくてもアイテム. 常に好き」から「非常に嫌い」まで 5 ∼ 7 段階でユー. の抽出が可能である反面，現状ではテキストマイニング. ザが入力するものである．しかしながら，評価入力には. 技術が中心であるため，アイテム個々に対するテキスト. 利用者の手間がかかり，データを得にくいという問題が. 情報が必須となる．また，評価したアイテムと類似した. ある．. アイテムばかりをレコメンドするため，意外性のある情. AwarenessNet では協調フィルタリングを用いる際に，. 報のレコメンドは難しい．. ユーザの興味データをアクセス履歴のみから収集するこ. 一方，「協調フィルタリング」は，ユーザとその他の. とを前提とした．アクセス履歴はたとえば Web ページ. ユーザのアイテムに対する興味の類似度に基づき，推薦. の参照履歴であるので「あり」と「なし」の 2 値でし. アイテムを抽出する方式である．協調フィルタリングの. かないが，そのかわりユーザからの入力の手間がないた. 簡単な概念図を図 -1 に示す．ユーザ A が興味を持つ. めに，評価入力よりも多くのデータを得ることが期待で. アイテム集合のなかから最も共通するアイテム集合を持. きる．. つユーザ B を見つけ，ユーザ B が興味を持っておりか. 具体的な処理は図 -2 のようになっている．. つユーザ A の興味が未定なもの（ここではアイテム 5）. ① ユーザ A がアクセスしているアイテムを抽出. をユーザ A にレコメンドする．. ② 抽出したアイテムにアクセスしている他のユーザ，. 4）. 協調フィルタリングは以下の点で他の方式より優れて. すなわちユーザ A とよく似たアクセス傾向のユーザ. いる．. 群を抽出. • アイテムのテキスト情報や属性情報を一切使用しないため，対象アイテムに関する制約がなく，またシステム運営者の情報投入の負担が少ない • 属性やキーワードに縛られないため，予想だにしなかった意外性のあるアイテムをレコメンドできる協調フィルタリングを用いた初期のシステムで. ③ 抽出したユーザ群がアクセスしていて，かつユーザ A がアクセスしていないアイテムをユーザ A に推薦アクセス傾向の類似度は，アクセス履歴から抽出した参照回数，参照時間，最新アクセス日時，重なり等の条件を組み合わせて算出している 4）．アクセス履歴のみで協調フィルタリングを行う際の問 IPSJ Magazine Vol.48 No.9 Sep. 2007. 973.

(3) 特集利用者の好みをとらえ活かす－嗜好抽出技術の最前線－. ③ユーザAと類似した嗜好特性の ①ユーザAがユーザたちがアクセスしたアイテムアクセスしたアイテム. おすすめアイテムの紹介（おすすめ紹介）アクセス履歴. ユーザA. ②ユーザAと類似する嗜好特性のグループ. 図 -2 AwarenessNet の協調フィルタリングの動作概要. ここで，べき乗分布を表す直線の部分から外れている，アクセス人数が極端に多い右側の部分と，アクセス. そのアクセス人数を持つアイテム数. 1.E+05. 人数が少なくべき乗分布の直線から外れて湾曲している左側部分は，利用者が興味に基づき行うアイテム選. 1.E+04. y = 2E+06x. -2.1859. 択行動とは別の要因が働いていると考えられる．よって，これらを取り除き，それぞれのユーザが意図を持っ. 1.E+03. てアクセスした領域だけを用いてレコメンドを行うことで，推薦に相応しくないアイテムの除去を実現している. 1.E+02. のが選考行動フィルタリングである．このようにして， 1.E+01. AwarenessNet では評価入力に頼らずアクセス履歴のみでレコメンドを実現することで，協調フィルタリングの. 1.E+00 1.E+00. 1.E+01. 1.E+02. 1.E+03. 1.E+04. 1.E+05. データが得られにくいという問題を解決している 4）．. アクセス人数. 【実証実験概要】図 -3 アクセス履歴におけるべき乗分布. （株）ブックワン（現・（株）図書館流通センタービーケーワン事業部），NTT 東日本，NTT の三社共同実験と. 題点に，人気の高いアイテムが推薦されやすいことや，. して，ブックワンが運営するオンラインブックストア. 誤ってたまたまアクセスしてしまったアイテムが推薦さ. 「bk1 ☆ 2」において AwarenessNet を利用したレコメン. れてしまう可能性があることが挙げられる．特に，人気. ドサービスを提供した．実験期間は 2003 年 5 月∼ 2004. の高いアイテムは多くの人がアクセス（評価）している. 年 3 月の 10 カ月間とした．. ため，評価値に基づく協調フィルタリングにおいても推. 実験システムの構成概要を図 -4 に示す．. 薦の際に優先されやすい．しかしながら，人気の高いも. AwarenessNet は履歴管理サーバとサービス制御サーバ. のを推薦することは特別な技術を用いずとも容易に行う. の 2 台構成となっており，既存の bk1 システムに追加. ことができるので，わざわざ協調フィルタリングをして. するかたちで構築した．. 推薦する必要がない．. 履歴管理サーバは 1 日 1 回 bk1 既存システムから履. AwarenessNet では我々が独自に開発した「選考行動. 歴データを取り込み，履歴の事前加工を行い，ユーザと. フィルタリング」というノイズカット技術を用いて推薦. アイテムの関係を前節で解説している手法により，類似. に相応しくないアイテムを取り除いている．アクセス履. 度を距離として数値化した「距離マップ」に変換するバ. 歴等のユーザの意図が反映されている行動履歴を集計し，. ッチ処理を行うサーバである．変換された「距離マップ」. 横軸にアクセス人数，縦軸をそのアクセス人数を持つア. は後述のサービス制御サーバに転送される．. イテム数にとり両対数グラフにプロットすると，ある部. 取り込む履歴データは以下の 3 種類を対象として. 分でべき乗分布に従うことが分かっている（図 -3）．. Web サーバのアクセス履歴から抽出し，分析を行う日から過去 20 日間分を分析の対象として利用した．分析. ☆2. http://www.bk1.co.jp/. 974. 48 巻 9 号情報処理 2007 年 9 月. に必要のない過去 20 日以前の古い履歴は，すべて破棄.

(4) ❷ ネットワーク上のユーザ行動に着目した嗜好抽出・情報推薦て AwarenessNet を導入することで，以下の 2 つのレコメンドサービスをこれらに加えたエンドユーザ. （図 -5）．. bk1既存システム. 書誌情報へのアクセス. 履歴データ. おすすめ紹介サービス bk1 サイトのトップページ表示時に，図 -2. 書誌のレコメンド. に示す処理によって個々のユーザの嗜好に合わ距離マップ. せた書誌を紹介するサービス．紹介する件数は 3 件とした．なお，アクセスしてきたユー. サービス制御サーバ履歴管理サーバ AwarenessNet 図 -4 bk1 実験システムの構成概要. ザに過去の履歴が存在しない場合は，売り上げ TOP11 ∼ 20 位の書誌の中からランダムに選択したアイテム 3 件を返すようにした．関連紹介サービス書誌の詳細ページを表示した際に，ユーザの履歴に基づき該当書誌と相関の高い書誌を紹介するサービス．相関の高い書誌の抽出は，図 -2 に示す処理において「①ユーザ A がアクセスしたアイテム」の代わりに該当書誌を用いることで行った．こちらも紹介する件数は 3 件とした．これらのサービスにおいて，ユーザごとに合わせたレコメンドを提供するためには，個々のユーザを識別する必要がある．本実験においては，bk1 サイトで以前から使用していた Cookie を利用してユーザの識別を行った．. おすすめ紹介サービス. 関連紹介サービス. 図 -5 bk1 で提供したレコメンドサービス. 【実験結果】実験期間のうち，履歴からクローラー等の. することにより計算量とディスク容量を抑えた．. アクセスを除去する仕組みを導入した 2003 年. • 書誌詳細ページへのアクセス. 6 月 26 日以降を測定開始日とし，データ収集の終了す. • 書評の投稿. る 2004 年 2 月 29 日までの期間の履歴について分析を. • バスケットへの投入. 行った．. サービス制御サーバは，ユーザからのアクセスをトリガにして，転送された距離マップを用いて図 -2 の分析. ● クリック率. をリアルタイムに実行するサーバである．具体的には，. 図 -6，および図 -7 にユーザにレコメンドした結果ク. Web アプリケーションサーバから送られてくるレコメ. リックされた率の推移を示す．各推移は前 7 日分の平. ンド要求に対して，サービス制御サーバが分析・抽出. 均値による 7 区間移動平均で示している．図 -6 は 10 月. した推薦アイテムを Web アプリケーションサーバに返. 1 日から 1 カ月間の推移，図 -7 はおすすめ紹介の表示. し，その結果が Web ページに反映されてユーザに表示. 個所を右下の目立たない個所から右上へ移動，同時に文. される．. 字だけの表示から書影（表紙写真）を掲示するように画. bk1 では，従来からのサービスとして，キーワード. 面レイアウトの変更を行って以降の 1 カ月間の推移を. による書誌検索，ジャンルによる書誌分類，売り上げ. 示すグラフである（図 -5 はレイアウト変更後の画面例）．. TOP10 ランキングによる紹介，書評による紹介，新. 実験から以下のことが分かった．. 刊入荷書誌紹介，話題本の紹介等のさまざまなサービ. ① 個人ごとにパーソナライズされたおすすめ紹介（グ. スによって，書誌詳細ページへのアクセス，バスケ. ラフ中 ANS と表記）と TOP11 ∼ 20 から抽出したお. ットへの書誌投入が可能となっている．本実験におい. すすめ紹介では，パーソナライズされたおすすめ紹 IPSJ Magazine Vol.48 No.9 Sep. 2007. 975.

(5) 特集利用者の好みをとらえ活かす－嗜好抽出技術の最前線－. おすすめ紹介（ANSレコメンド）：クリック率関連紹介（ANSによる相関抽出）：クリック率 7 区間移動平均（関連紹介（ANSによる相関抽出）：クリック率） 7 区間移動平均（おすすめ紹介（ANSレコメンド）：クリック率） 20% 15%. 15%. 15%. 10%. 10%. クリック率. クリック率. 7 区間移動平均（おすすめ紹介（TOP11∼20）：クリック率） 20% 15%. 10%. 10%. 5%. 5%. 5%. 5%. 0% 10/1. 10/8. 10/15. 10/22. 10/29. 詳細ページ表示回数. おすすめ紹介(TOP11∼20):クリック率おすすめ紹介（TOP11∼20）：クリック率おすすめ紹介(ANSレコメンド):クリック率おすすめ紹介（ANSレコメンド）：クリック率関連紹介(ANSによる相関抽出):クリック率関連紹介（ANSによる相関抽出）：クリック率書誌詳細ページ表示回数 7 区間移動平均区間移動平均（関連紹介 (書誌詳細ページ表示回数) 7 （ANSによる相関抽出）：クリック率） 7 区間移動平均 (関連紹介(ANSによる相関抽出):クリック率) 7 区間移動平均（おすすめ紹介（ANSレコメンド）：クリック率） 7 区間移動平均 (おすすめ紹介(ANSレコメンド):クリック率) 7 区間移動平均（おすすめ紹介（TOP11∼20）：クリック率） (おすすめ紹介(TOP11∼20):クリック率). おすすめ紹介（TOP11∼20）：クリック率. 0% 12/18. 12/25 12/25. 日付図 -6 レコメンドのクリック率の推移（画面レイアウト変更前）. 1/1 1/1. 1/8 1/8. 1/15 1/15. 日付図 -7 レコメンドのクリック率の推移（画面レイアウト変更後）. 介の方が 2 倍以上の高いクリック率を示した（ただ. 割合を比較したものである．グラフの左側が書誌ごとの. し，TOP11 ∼ 20 の紹介は初めて bk1 にアクセスし. 販売冊数の少ないニッチな書誌の販売割合，右側に行く. たユーザのため，元々アクティブでないユーザに偏. ほどベストセラー寄りな書誌の販売割合となる．. っている可能性が高い）．. 図 -8 から，1 冊のみ売れている書誌以外の販売冊数. ② 表示方法の変更により，クリック率に大きな向上が. の少ない書誌における販売の割合はレコメンドによる販. みられた（おすすめ紹介で平均およそ 4% から 8% に，. 売の方が全体での割合よりも多いことが分かる．この. 関連紹介で 6% から 10% に向上）．前項のおすすめ. ことから，レコメンドを行うことで，よりニッチな書. 紹介の種類によるクリック率の差よりも，表示方法. 誌へユーザを導くことができているといえる．つまり，. の与える影響の方が大きい．. AwarenessNet のレコメンドは潜在的なニーズの掘り起しができている可能性が高いといえる．. ● 購買率と潜在的興味の掘り起こしの比較. しかし，販売数の少ない書誌の販売数の伸びは潜在的. 2004 年 1 月の 1 カ月間における，全体購買冊数に占. なニーズの 1 つの側面を表しているにすぎず，この数値. めるレコメンドサービス経由の購買冊数は全体の 3.1%. のみで判断するのは不十分である．今後，より正確な潜. を占めていた．なお，2004 年 1 月のレコメンドサービ. 在的ニーズの掘り起こし効果を測定する手法を検討して. ス以外からの購買冊数の増加率が 1 カ月あたり 0.03%. いく必要がある．. であったのに対し，レコメンドからの購買冊数の増加率が 0.36% あり，約 12 倍の増加率があった．すなわち，レコメンドサービスからの購買冊数増加率は自然増以上. 導入時の課題. の増加率であった．全体に占めるレコメンドサービスか. 実際に協調フィルタリングを EC サイトに導入する際. らの購買冊数の占める割合も，今後増加していく可能性. に検討しなければならない課題について述べる．. があるといえる．また，自動レコメンドサービスにおいて，期待され. 【導入前の効果予測】. る効果の 1 つに潜在的なニーズの掘り起こしがある．. 今回，実サイトでのクリック率，購買率を示したが，. 図 -8 は，横軸に各書誌の bk1 における販売冊数を，縦. これらは実際に導入して運用してみないと確認すること. 軸に書誌の販売冊数ごとの販売冊数の全体合計に占める. ができない．. 割合を示し，全体の販売数とレコメンドからの販売数の. レコメンド方式の評価として最も多く用いられている. 976. 48 巻 9 号情報処理 2007 年 9 月.

(6) 全販売冊数に占める販売冊数の割合. ❷ ネットワーク上のユーザ行動に着目した嗜好抽出・情報推薦. 0.3 0.25. 全体. レコメンドから. 0.2 0.15 0.1 0.05 0. 1. 書誌ごとの販売冊数. 販売冊数が多い. 図 -8 書誌販売冊数ごとの全販売冊数に占める販売冊数の割合の比較. 手法が Breese らの Allbut15）である．この手法は，ユー. 一のユーザが複数のユーザとして分かれて認識されてし. ザのアイテムに対する評価の 1 つをマスクして，テスト. まう欠点がある．ユーザが同一であれば，趣味嗜好は当. データとする．それ以外の評価を学習データとして，マ. 然類似するので，自分の過去の履歴に基づき推薦を受け. スクしたアイテムに対するユーザの評価を予測し，ユ. やすく，既知の商品の推薦がなされる確率を上げてしま. ーザによる評価投票値と予測値間の平均絶対値エラー. う．一方でユーザ認証を用いる方法の場合，登録が障壁. （MAE）を算出することによって，予測と実際の評価の. となり利用者数が減少するため，十分な量の履歴が得ら. 誤差から予測精度を評価するものである．評価に使用. れにくい．. するデータとして EachMovie collaborative filtering data set ☆ 3 を用いて MAE を測定する方法は，協調フィルタ. 【ルールの併用の必要性】. リングの研究においてベンチマーク的に用いられている. 協調フィルタリングはルールのメンテナンスが不要な. 手法である．. のが利点であるが，実際に EC サイト等で用いる場合に. 本手法は異なるアルゴリズム同士を同じ条件のもとで. は，どうしてもルールの併用が必要になる場合がある．. 比較をすることが可能であるが，比較の尺度については. たとえば，書籍販売サイトにおいては，児童書や聖書と. ユーザとシステムの評価の一致度（正確性）を測定して. ともにアダルト向け書籍を推薦しないような仕組みが不. いるにすぎず，実運用した際のクリック率や購買率には. 可欠である．また，ユーザの既購入商品の再販別版の推. 必ずしも比例せず，導入効果の事前予測としては不十分. 薦や，シリーズ物の 2 巻や下巻を購入したユーザへの. である．. 1 巻や上巻の推薦は，購入に繋がる効果は期待できない．. 事前評価せずに，ASP サービス等の低コストのサー. ルールを併用した場合，二重にシステムを通るためレ. ビスを利用して実運用を通して導入効果を確認し，効果. スポンスが遅くなり，コストもかかる．ルール設定の効. が確認できたらよりきめ細かくカスタマイズできる自社. 果とコストのバランスでルール併用の要否を判断する必. 構築のサービスに切り替える方法も考えられるが，ASP. 要がある．. と構築の両方を提供している製品に限定されてしまう．【結果の評価と運営者意図のフィードバック】【 ID の取得方法】. 協調フィルタリングはユーザ履歴のみに基づきレコメ. Web サービスにおいて，ユーザ個々を識別する主な. ンドが行われるユーザ本位のシステムであるといえる．. 方法は，①セッション ID を用いる方法，② Cookie を用. しかし，たとえばキャンペーン商品を優先的にレコメン. いる方法，③ユーザ認証を用いる方法の 3 種類がある．. ドしたいなど，運営者意図を反映したい場合でも，反映. セッション ID や Cookie を用いる方法は，登録やパスワ. 手段が提供できないことは課題である．また，逆にユー. ード入力の手間がかからない点が利点だが，自宅と職場. ザがレコメンド結果に不満がある場合でも，結果を調整. 等の PC 環境の違い，ソフトの再インストール等で，同. することが難しい．ある程度はルールベースとの併用で解決が可能である. ☆3. http://www.research.digital.com/SRC/eachmovie/. が，前項と同様のコストやレスポンスの課題が発生する． IPSJ Magazine Vol.48 No.9 Sep. 2007. 977.

(7) 特集利用者の好みをとらえ活かす－嗜好抽出技術の最前線－. 今後の展開. 現在，我々は，すべての行動履歴＝ライフログを蓄積し，ライフログからサイト横断的に利用できるプロファ. レコメンドエンジンのさらなる実用化に向けては，今. イルを生成するプラットフォームサービスの提供に向け. 後，大きく分けて以下の 3 点に着目した研究を進める必. て，横断的なレコメンドを可能とするプロファイル生成. 要があると筆者は考えている．. 技術の研究を進めている 8）．. 【評価手法の確立】. 【大規模対応，高速化】. 前述の通り，協調フィルタリングによるレコメンドの. 前述のように，ネットとリアルの統合，サイト横断で. 利点はレコメンドされるまでユーザが意識していなかっ. のサービス提供を行うことを目的とすると，扱うユー. たアイテムの「意外な発見」や「思わぬ買い物」である. ザ数が桁違いに増加する．AwarenessNet では 100 万ユ. と説明したが，MAE や精度による評価はその点につい. ーザ× 100 万アイテムで 500msec 以内のレスポンスを. てまったく評価できていない．確率的には人気の高いア. 実現したが，すでに Google や Yahoo! へのアクセス数が. イテム（TOP10 等）を紹介した方が精度は上がる可能. 1,000 ∼ 2,000 万ユーザ規模であることに加え，リアル. 性が高いが，実運用ではレコメンドには人気の高いアイ. との統合を考慮すると 5,000 万ユーザが扱える規模での. テムよりは，通常のルートでは人目につくことのない人. 高速レスポンスを実現する必要があるといえる．. 気のないアイテムの販売促進を期待されている場合が多い（レコメンド機能を使わなくても人気の高いアイテムの販売促進をする方法はすでにある場合が多い）という点で実情と乖離した評価ということである．したがって，レコメンドアルゴリズムの研究開発において，実際の運用を意識した評価手法を確立し，評価する必要がある．すでに，Serendipity（ユーザが容易に発見できなかったであろう好みのアイテムが推薦されているか）や Novelty（好みの知らないアイテムが推薦されているか）等，レコメンドによる気付きに着目して評価を行う手法を提案する動きが出てきており，今後ベンチマークとなる評価手法の確立が期待される．【横断的なレコメンド】現在のレコメンドサービスは個々のサイトに閉じており，サイトごとにバラバラに管理されている購買履歴に基づき提供されている．しかし，すべての購買履歴を集. 参考文献 1）新井範子，北川和裕：ユーザーの好きと嫌いを聞き分けるパーソナライゼーション技術，日経エレクトロニクス，Vol.2003/02/03, pp.127138 (2003). 2）寺野隆雄：e ビジネスの理論と応用，chapter3 情報推薦システム， pp.59-87, 電気大出版局，1st edition (2003). 3）宇田隆幸ほか：ユーザ投票と情報アイテム間類似度を併用した情報推薦システム，情報処理学会研究報告，2004-DBS-132, Vol.132, No.14, pp.105-112 (2004). 4）本橋健ほか：アクセス履歴から利用者の嗜好を分析推薦するアウェアネスネット，情報処理学会第 62 回全国大会，No.5C-2, pp.253-256 (2001). 5）Breese, J. S., Heckerman, D. and Kadie, C. : Empirical Analysis of Predictive Algorithms for Collaborative Filtering, Proc. of the 14th Conference of Uncertainty in Artificial Intelligence ( Cooper, G. and Moral, S., eds.), Dallas, Texas, San Francisco, CA, Morgan Kaufmann, pp.43-52 (1998). 6）Goldberg, D., Nichols, D. et al. : Using Collaborative Filtering to Weave an Information Tapestry, Communications of the ACM, Vol.35, No.12, pp.61-70 (1992). 7）Resnick, P., Varian, H. R. et al. : Recommender System, Communications of the ACM, Vol.40, No.3, pp.56-89 (1997). 8）中村美穂ほか：商品購入時期に対するユーザ志向を考慮したレコメンデーション方式の提案，第 21 回人工知能学会全国大会，3G7-5 (2007). （平成 19 年 7 月 20 日受付）. めてレコメンドを受けることができれば，初めて利用するサイトでも個人に最適化したレコメンドが受けられ，既知の商品をすすめられる確率も低くなる．また，ネットだけでなく，実店舗での履歴を統合して扱うサービスも考えられ，実際，すでに実店舗の POS データと EC の連携を目指すところも増えている．. 978. 48 巻 9 号情報処理 2007 年 9 月. 市川裕介（正会員） [email protected] 昭和 46 年生．平成 8 年慶應義塾大学大学院理工学研究科計測工学専攻修士課程修了．同年日本電信電話（株）入社．通信履歴を利用した推薦システムの研究開発に従事．平成 6 年本会学術奨励賞，平成 17 年本会山下記念研究賞受賞．.

(8)