![Solutions
? 初期ゼロ要素（＝不明要素）を（不明ではなく）
ゼロとして扱う
– 付け焼刃的だが、PMFをそのまま使うよりうまくいく
? ある割合については、初期ゼロ要素が最適化後ゼ
ロであるとして扱う [Sindhwani et al. 2010]
– 初期ゼロ要素に新たな変数を割り当て緩和問題を解く
– 実験的には、上記手法よりうまくいく
V.Sindhwani et al., One-Class Matrix Completion with Low-Density Factorizations. In Proc. of ICDM
2010: 1055-1060
16](https://image.slidesharecdn.com/orsj2013-kato-ja-final-130305064241-phpapp02/85/-17-320.jpg)
![Hybrid Sourcing Service [evelink] by CSK Serviceware](https://cdn.slidesharecdn.com/ss_thumbnails/277100827-100914224745-phpapp01-thumbnail.jpg?width=560&fit=bounds)
![JPC2017 [Keynote] Where the People Meets to Inspire the Business](https://cdn.slidesharecdn.com/ss_thumbnails/jpc2017keynotewherethepeoplemeetstoinspirethebusiness-170912103427-thumbnail.jpg?width=560&fit=bounds)
More Related Content
Similar to ネット通贩向けレコメンドシステム提供サービスについて (20)
More from Kimikazu Kato (20)
Recently uploaded (11)
ネット通贩向けレコメンドシステム提供サービスについて
- 1. ネット通販向け レコメンドシステム提供サービスについて シルバーエッグ?テクノロジー株式会社 チーフサイエンティスト 加藤公一
- 2. 目次 ? 私について ? 会社とそのビジネスについて ? 関連研究について紹介（サーベイ） ? まとめ 1
- 3. 自己紹介 加藤公一（かとうきみかず） ? 博士（情報理工学、コンピュータ科学専攻）、ただし 数学のバックグラウンド ? 2012年11月シルバーエッグ入社、 チーフサイエンティスト（研究部門） ? 数値計算に関する経験 – 3D CAD, 特に幾何計算 – コンピュータグラフィックス – 偏微分方程式（シミュレーションなど） – 並列計算、GPGPU ? 現在レコメンデーションエンジンの コア部分のアルゴリズム設計に従事 2
- 4. シルバーエッグテクノロジーについて リアルタイム?スマートターゲティング技術で、レコメンドサービス 『アイジェント レコメンダー』やターゲティング型広告サービス『HotView』を提供 社名 ： シルバーエッグ?テクノロジー株式会社 代表トーマス?フォーリー執筆の 設立 ： 1998年8月 書籍です。 役員 ： 代表取締役兼CEO トーマス?フォーリー 是非、ご覧ください！ 専務取締役兼COO 西村淳子 資本金 ： 7,800万円（2012年12月末時点） ?著書?「One to Oneマーケティングを超えた 事業内容： 人工知能技術をベースとした、 戦略的Webパーソナライゼーション」 (出版社：日経BP社 発売：2002年5月） リアルタイムレコメンドサービスおよび ターゲティング型広告サービスの提供。 株主 ： トーマス?フォーリー 伊藤忠テクノロジーベンチャーズ株式会社 「ASP?SaaS?ICTアウトソーシングアワード2009」 カルチュア?コンビニエンス?クラブ株式会社 ASP?SaaS部門「委員長特別賞」受賞 株式会社オプト 【大阪本社】吹田 【東京オフィス】九段下 所在地 ： 【大阪本社】 〒564-0051 大阪府吹田市豊津9-22 大同門本部ビル5F 【東京オフィス】 第8回(2010)、第9回(2011) 〒102-0072 東京都千代田区飯田橋2-6-6 「デロイト 日本テクノノロジー Fast50」受賞 ヒューリック飯田橋ビル5F 日本で最初にレコメンドＡＳＰを商用化したレコメンドサービス専業企業です。 3
- 5. レコメンデーション（レコメンド）とは レコメンデーション（レコメンド）とは、 個別のサイトユーザーに個別のニーズにあったものを提案すること。 良質なレコメンドは快適なショッピング体験をもたらしサイトのファンを増やします。 【様々なレコメンド?タイプ】 ⑧ランキング (ターゲティング型) No.1 No.2 No.3 ①クロスセル ②アップセル XXXXXX ③組み合わせ（セット買い） XXXXXXXXX ④プラス１（ついで買い） 3,800円 ⑤サイト内検索 (非ターゲティング型） ③組み合わせ ⑥セールアイテム ④プラス１ ⑦フィーチャーリング（特集） ⑧ランキング ⑨ルール ⑩エディターピック ①クロスセル (その他ターゲティング型） ?リターゲティング広告 ?アイテム広告 ?ランディングページ 4
- 6. 集客→コンバージョン→リテンション 一貫した行動ターゲティング 集客から顧客維持まで、一貫してサイトユーザーの行動をターゲティングすることが 売上と利益の向上に不可欠になっています。 プレアクセス オンアクセス ポストアクセス 集客（流入） 接客（回遊） コンバージョン 顧客維持（リテンション） レコメンド アイジェント?メール アイジェント ホットビュー アイジェント アイジェント アイジェント イベント オンデマンド ターゲティング パーソナイラズド アイジェント トラン レコメンド ガジェット LPO レコマド ドリブン プリント 広告 サーチ レコメンダー ザクションメール メール ポータル メール (同梱チラシ) アイジェント?スイート （リアルタイム?レコメンド?プラットフォーム） 共通タグを入れるだけで、 オンサイトからオフサイトまであらゆる顧客データを即座に連携し、 ショッピングのあらゆるプロセスでお客様に最適なものをレコメンドできるしくみ シルバーエッグ?テクノロジーは、独自のスマート?ターゲティング技術で、 企業のオンラインマーケティングの最適化を支援しています。 5
- 7. リアルタイム?レコメンド?プラットフォーム『アイジェント?スイート』 シルバーエッグ社のリアルタイム?レコメンド?プラットフォーム『アイジェント?スイート』では、 スイートタグというひとつのタグを貴社サイトにいれるだけで、 様々なマーケティングサービスを一括で使えるようになり、 サイト内?サイト外を横断した効果的なパーソナリゼーションが実現できます。 従来のサービス アイジェントプラットフォーム 広告 LPO レコメンド メール ホットビュー Aigent レコメンダー アイジェント Webサイト側 スイートタグ ガジェット サイト運営側 カスタマー カスタマー カスタマー カスタマー ナレッジ ナレッジ ナレッジ ナレッジ Aigent LPO ポータル Aigent レコメール 高可用性のサービス?プラットフォーム ウェブサイト、基幹システム、POSなどから 取れるビッグデータをカスタマー?ナレッジとして統合 6
- 8. 広告配信とレコメンドの相乗効果 メディアサイト Dashboard いつも見ている マーチャンダイザー メディアサイトで自分 ?プロモーション商品登録 消費者 が欲しい商品のプロ ?効果測定 モーション広告を発見 プロモーション商品の ターゲットにマッチし たメディアに広告配信 HotView ?時間（期限） ?顧客（行動） ?場所（地域） ?需要（量、価格） ?コンテクスト（検索語句） 商品販売サイトへ 百貨店 Aigent 通販カタログ アイジェント?スイート 欲しい商品のあるサイトへ ブティック アップセル、クロスセル TVショッピング のレコメンデーション アパレル リテイラーサイト レコメンド(EC行動データ)を基にした広告はユーザーが興味を持つ度合が強く誘導効果が高い 7
- 9. 仕組み AIgentサーバ お客様ECサイト 「誰が何を買ったか」 蓄積して分析 「誰が何を見ているか」 リアルタイム処理 「何を推薦すべきか」 ASPサービス + 在庫情報のバッチ更新 Aigentに接続するための コードスニペット(JavaScript) 特徴： ? リアルタイムのレスポンス ? アドオンとして実装（導入コストでメリット） 8
- 10. コンサルティングサービス ? ただ数学的計算の結果を提示するだけでは不十分 ? よりよい売り上げのためには手動によるパラメー タチューニングが必要 – 統計的相関がすべてではない ? 「意図」を反映しなければならないこともある – ポリシー、販売戦略など ? 継続的な効果測定とA/Bテスト 9
- 11. レコメンデーションのアルゴリズム ? 協調フィルタリング ? Netfilx Prizeの副産物として多くの手法 – Neighborhood Models – Matrix factorization – Restricted Boltzmann Machines 10
- 12. Netflix Prize The Netflix Prize was an open competition for the best collaborative filtering algorithm to predict user ratings for films, based on previous ratings — Wikipedia 協調フィルタリングアルゴリズムを競う公開コンペティション ユーザが映画につけた点数（1-5）について、過去の点数をもとに未知の点数を予想する。 Netflix社（米国のDVDレンタル会社）はそのために一部のデータを公開 2009年に終了 11
- 13. 映画点数（レーティング）予想 ユーザが見た映画について点数をつけたとする movie user W X Y Z A 5 4 1 4 B 4 C 2 3 D 1 4 ? 知られていないユーザ?映画の組について、点数を当てることができるか？ 点数付けは疎行列として表現される 行列のゼロ要素の意味するものは実際には「ゼロ」ではなくて「不明」 12
- 14. 确率的行列分解（笔惭贵） 点数は潜在的にいくつかの少数の要素で表現されているとみなす ? ?? ? noise 非ゼロ要素についてのみ考慮する 13
- 15. ベイズの定理 この目的関数を最小化する 14
- 16. レーティング vs 購入 映画の点数 ショッピングのレコメンデーション movie item user W X Y Z user W X Y Z A 5 4 1 4 A 1 1 1 1 B 4 B 1 C 2 3 C 1 D 1 4 ? D 1 1 ? ユーザと映画のペアについて点数を予想 どのくらいの確率で買ってくれそうか予想 否定的な情報を含まない この行列は否定的な情報を含む （不明な要素について、買わない理由はわ （ある映画を、ある人は「つまらない（1点）」 からない） という評価をしている） → 1の側に強く引っ張られる 知られている要素は一種類の値しかない → 高い自由度を与える 映画の点数予想で有効な手法が、ショッピングサイトのレコメンデーション にそのまま役立つとは限らない。. 15
- 17. Solutions ? 初期ゼロ要素（＝不明要素）を（不明ではなく） ゼロとして扱う – 付け焼刃的だが、PMFをそのまま使うよりうまくいく ? ある割合については、初期ゼロ要素が最適化後ゼ ロであるとして扱う [Sindhwani et al. 2010] – 初期ゼロ要素に新たな変数を割り当て緩和問題を解く – 実験的には、上記手法よりうまくいく V.Sindhwani et al., One-Class Matrix Completion with Low-Density Factorizations. In Proc. of ICDM 2010: 1055-1060 16
- 18. Minimize Subject to: この緩和問題を非負制約で解く 17
- 19. Conclusion ? 科学的アプローチは重要 – 数学は金になる ? ただし、それだけではビジネスとして不十分 ? エンジニアリングも重要 – 効果的なプラットフォームと簡単なデプロイ手順 ? 手でのチューニングはどうしても残る – パラメータチューニングのためのコンサルティングは とても重要 18