BigQuery MLの行列分解モデルを 用いた推薦システムの基礎
- 2. Summary ? 推薦システムの基礎 ○ コンテンツベースフィルタリング ○ 協調フィルタリング ? BigQueryMLで協調フィルタリングを用いたモデル作成?予測
- 3. ? 膨大なコンテンツからユーザーの興味に合わせたものを提示 ? どのコンテンツに価値があるかの特定を助ける ? 本、映画、ニュース など応用領域は多岐 推薦システム プライバシー問題等、様々な課題を内包しているが、今回は議論しない ? ユーザー：膨大なコンテンツから興味にあったものを見つけられる ? サービス運営：利用者の体験向上
- 4. 推薦システムの分類 ? コンテンツベースフィルタリング (Content-Based Filtering) ○ アイテムの特徴に基づいて推薦 ○ 新しい商品でも推薦可能 ? 協調フィルタリング (Collaborative Filtering) ○ 他人の評価を参考に推薦 ○ 新しいユーザ，商品には対応できない ? 統合アプローチ 似た嗜好の人が高評価 好きな俳優が出演して いる映画
- 6. 協調フィルタリング 映画の趣味の合う友人 A そこまで合わない友人 B 是枝裕和監督の最新作 よかったよ 新海誠監督の最新作 よかったよ ? 過去のレーティング情報を用いて嗜 好のマッチ度合いを計算する 私 是枝監督の最新作を推薦 推薦システム
- 7. ? ５段階評価、未評価は「？」 ? 未評価のうち最も評価が高いと推定できる映画を推薦 映画1 映画2 映画3 映画4 私 4 ? 2 5 A 4 5 2 5 B ? 1 5 2 協調フィルタリング 私に映画2を推薦する 高評価、低評価が同じ → 嗜好が似ている ? 類似度の定量化 → 相関係数、コサイン類似度 .. ? 行列分解による近似 推薦システム
- 8. フィードバックの分類 ? 明示的フィードバック：ユーザーに質問して回答を得る ○ ユーザーが映画をレーティング ? 暗黙的フィードバック：ユーザーの行動から評価を推測 ○ ユーザーがその映画を閲覧した時間 ○ ソフトを購入したかどうか 明示的獲得 暗黙的獲得 データ量 少 多 正確度 高 低 未評価と不 支持の区別 明確 不明確 認知 認知 不認知
- 9. 協調フィルタリング ? 類似度に基づく手法 ○ 商品数、ユーザー数が膨大で疎なデータには難しい →次元削減が必要 ? 行列分解に基づく手法 ○ アイテム評価行列を低次元行列 U, Vに近似 岩田具治「機械学習に基づく推薦システム」p.11 https://ibisml.org/archive/ibis2014/IBIS2014tutorial_iwata_color.pdf 疎な行列
- 10. 使用データセット（映画のレーティング） 1 million ratings from 6000 users on 4000 movies. Released 2/2003. https://grouplens.org/datasets/movielens/1m/ 映画タイトル（1920年代 - 2000年） レーティング情報 MovieLens | https://movielens.org/home
- 11. Demo 使用したNotebook: https://github.com/kootr/ml-study-session/tree/main/20220730_reccomendation_mf
- 12. 補足: BigQuery スロット model_type='matrix_factorization' 指定のために、スロット購入が必要（コミット期間は： FLEX）
- 18. 結果 my ratings predicted ratings(知らない映画ばかりでした )
- 19. - 神嶌 敏弘 「推薦システム」 https://www.kamishima.net/archive/recsys.pdf - BigQuery ML を使用して映画の評価に基づきレコメンデーションを行う https://cloud.google.com/bigquery-ml/docs/bigqueryml-mf-explicit-tutorial - 岩田具治「機械学習に基づく推薦システム」 https://ibisml.org/archive/ibis2014/IBIS2014tutorial_iwata_color.pdf 参考