ベイジアンネットとレコメンデーション －第５回データマイニング+WEB勉強会＠東京【注意：動画について】スライドの背景が黒色のページは動画が埋まっています．一部の動画はここにアップしています： http://www.mprg.cs.chubu.ac.jp/~ryorsk/share/supplemental/presentation/20190316_NagoyaCV/ 主にこれから研究を始める人向けに，研究の心構えやツールなどを広く浅く紹介． 2019/03/16 名古屋CV・PRML研究会@ヤフー株式会社 名古屋オフィス
トップページ - リコメンデーションコンテスト
主催 日本オペレーションズ・リサーチ学会 実践的データマイニング研究部会 協賛 チームラボ株式会社 人工知能学会 経営情報学会関西支部 ビジネスマイニング研究センター有限責任事業組合 趣旨 近年、B2Cの飛躍的な増加に伴い、WEB上での消費者の購買履歴や行動履歴を容易に、かつ大量に蓄積することが可能となり、それに伴って究極的なワンツーワン・マーケティングが可能になりつつあります。その１つのアプリケーションとして、顧客に対する適切な商品や行動の推薦を目的としたリコメンデーションシステムの導入が盛んに行われています．リコメンデーションシステムのアルゴリズムは，これまでに様々なものが研究提案されてきてはいるものの，ビジネスにおける実践という面から見ると，それらの研究成果が産業会に十分に還元できているとは言えない状況でしょう．そこで，実データに基づいたリコメンデーションコンテストを実
web+db レコメンド特集 サンプルコード - DO++
- WEB+DBプレスの「[速習]レコメンドエンジン」のサンプルプログラムを訂正してみる にあったように、WEB+DB PRESS 49号 レコメンド特集での誌上のサンプルプログラムに誤植があり、そのまま書くとコンパイルできないという問題がありました。 サンプルコードの修正をぎりぎりにお願いして、ゴミが残ってしまったのが原因です。 ご迷惑をみなさんにおかけしました。すいません。 WEB+DB PRESS Vol.49サポートページ ここから、動かせるサンプルコード（Part3用のサンプルコードというところ）をダウンロードできるので、買った方も（そうでない方も？）参考にしてみてください。 以後、気を付けます。
レコメンド, LSH, Spectral Hashing - DO++
WEB+DB press vol.49にレコメンド特集の記事をtkngさんと書きました。 内容は最初は、協調フィルタリングやコンテンツマッチの簡単な話から、特徴量をどのように表すか、大規模データをどのように処理するかにいき、特異値分解などの低ランク行列分解によるレコメンドやRestricted Boltzmann Machineといった最近のnetflix prizeの上位の手法など、かなり突っ込んだ議論もしてます。 個人的には三章でLocality Sensitive Hash(LSH)について扱っているあたりがお勧めです。 レコメンドの内部の問題を極言すると、データというのは疎な高次元の数値ベクトル（数百万次元とか）で表され、クエリでベクトルが与えられた時、これと似たようなベクトルを探してこいという問題になります。”似たような”を数学的にいえば、クエリのベクトルとの内積（各ベクトルは長
RecSys – ACM Recommender Systems
Feb. 16, 2024: The Grants page including registration and travel grants has been published! It currently includes info about “Discounted registration rates” for attendees registering from economically developing countries, “Gary Marsden Travel Awards”, and “ACM-W Computer Science Research Conference Scholarships”. The page will be constantly updated with new initiatives.
Folksonomy マイニングに基づくWeb ページ推薦システム pdf
Vol. 0 No. 0 情報処理学会論文誌 1959 Folksonomy マイニングに基づく Web ページ推薦システム 丹 羽 智 史† 土 肥 拓 生† 本 位 田 真 一†,†† 協調フィルタリングを用いた商品推薦システムを応用して Web ページ推薦システムを構築しよう とする試みは従来から行われてきたが，十分な量のデータソースを確保することが困難なことや推薦 対象である Web ページの数が大きすぎることなどから，その用途は非常に限定されたものだった． 本論文では近年急速に普及し始めたソーシャルブックマークと Folksonomy を利用して，インター ネット上の Web ページ全体を対象とした Web ページ推薦システムの構築手法を提案する． Web Page Recommender System based on Folksonomy Mining Satoshi Ni
ソーシャルメディア セカンドステージ：【第2回】レコメンデーションの虚実（2）?レコメンデーションの分類 (1/2) - ITmedia アンカーデスク
レコメンデーションの代表的手法 レコメンデーションには、いくつかのアプローチがある。とりあえずそのアプローチを俯瞰してみると、おおむね以下の5つに分類することができる。 （1）ルールに基づくレコメンデーション （2）コンテンツベースのフィルタリング （3）協調フィルタリング （4）統計学的なアプローチ （5）行動ターゲティング （6）ソーシャルネットワーキング ひとつずつ説明していこう。 （1）のルールに基づくレコメンデーションというのは、「ビジネスルール方式」とか「インテンショナル（意図的な）レコメンド」などと言った呼び方もある。例えば「美容室に髪を切りに来た人に、ヘアケア製品を勧める」「プリンターを買った人に、インクトナーを勧める」など、最初に「ある製品を買った人、ある行動をした人には、この製品やサービスを勧める」というルールを定めておく方法だ。このレコメンデーションはわかりやすいけれ
レコメンデーションの虚実（3）～顧客属性はなぜ追い求められなかったのか
レコメンデーションの虚実（3）～顧客属性はなぜ追い求められなかったのか：ソーシャルメディア セカンドステージ（1/2 ページ） 「顧客の属性」を読み取る方法 連載前回で、協調フィルタリングには顧客同士の行動の類似性を見ているだけで、“顧客の属性を見ていない”という問題があるということを書いた。例えば、妻にプレゼントするために夫が女性用化粧品を購入すると、その後しばらくは女性用化粧品をさかんに勧められるような現象が起きてしまうというようなことを挙げた。そしてこうした顧客の属性を見ていないという問題は、コンテンツフィルタリングでも協調フィルタリングでもカバーできないということも書いた。 「モノを買う」という行動を解析してみよう。バラバラに分解すれば、次の3つに分けることができる。 ・商品の属性（その商品がどのような分野の商品で、どのような名前を持ち、どのような特徴があるのか） ・顧客の属性（顧
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
test
cicindela2 - Google Code
GitHub - livedoor/cicindela2: a highly customizable recommendation engine written in perl + MySQL