メディア統括本部/Data Science Center(DSC) 所属 MLエンジニア 松月大輔
![サイバーエージェントメディア事業部における推薦システム](https://cdn-ak-scissors.b.st-hatena.com/image/square/c00ed0f5b65620d562c13292dc2e551c81a4d122/height=288;version=1;width=512/https%3A%2F%2Ffiles.speakerdeck.com%2Fpresentations%2F5bab4161ba7f4c0d8e4d0429f10ddd14%2Fslide_0.jpg%3F29117773)
ECサイトで買い物中に表示されるおすすめ商品から、動画サイトで自動的に再生される関連動画まで、現代のインターネットユーザーはさまざまな場所で「レコメンデーション」に接しています。そんなレコメンデーションに欠かせない5つのアルゴリズムを、グラフデータベースサービスを手がけるMemgraphが解説しています。 Five Recommendation Algorithms No Recommendation Engine Is Whole Without https://memgraph.com/blog/five-recommendation-algorithms-no-recommendation-engine-is-whole-without ◆1:幅優先探索 幅優先探索(BFS)とは、木構造やグラフの探索に用いられるアルゴリズムです。仕組みは単純で、ある開始ノードを選択したらそれとつなが
はじめに こんにちは、DMMで機械学習エンジニアをしている二見です。 2020年に新卒で入社し、普段は検索やレコメンドの改善に従事しています。 DMMでは50を超えるサービスを提供しており、様々なデジタルコンテンツを取り扱っています。 また、各サービスには多くのユーザーの膨大なデータが日々蓄積されてます。 我々のグループでは、それらのビックデータを活用した改善施策を行うことで、各事業部の成長に日々貢献しております。 本記事では、新たにディープニューラルネットワークベースの先端的なレコメンドシステムを構築し、サービスに導入した事例を紹介したいと思います。 レコメンドエンジンの導入を検討している方・ニューラルネットベースのレコメンドに興味がある方の参考になれば幸いです。 目次 はじめに 目次 DMMにおけるレコメンドへの取り組み 背景 Tensorflow Recommendersとは 1.
イントロNetflixは、スマホやPCがあれば、どこでもいつでも、映画やドラマを見放題で楽しむことができます。今年はお家時間が増えたことで、Netflixをより満喫している方も多いのではないでしょうか。実際に、2020年1月〜3月に会員が全世界で1600万人ほど増え、合計1億8000万人を超えています。 Netflixをいくつかの数字で見てみると、さらにその凄さに驚かされます。 ・全世界のインターネット通信量(下り)の15%をNetflixが占めており、YouTubeを超える世界一の動画サービス ・時価総額が20兆円超え ・サブスクリプション収入が月々約1500億円 そんな多くのユーザーを有するNetflixの魅力の1つに、推薦システムがあります。Netflixのホーム画面には、今話題の作品やユーザーにパーソナライズ化されたおすすめの作品が並びます。 Googleの検索と違って、Netfl
YouTubeの人工知能(AI)は、ユーザーを動画の視聴に誘い込む技術をさらに磨いているようだ。 YouTubeの最高製品責任者を務めるNeal Mohan氏は米国時間1月10日、「CES 2018」のパネルディスカッションに出席し、AIを駆使したレコメンドに誘発された視聴が、YouTubeでの総視聴時間の70%超に達していると述べた。 また、モバイル機器での視聴でも、視聴セッションの平均時間が60分を超えており、これには「レコメンドエンジンがおすすめとして表示する動画が貢献している」と同氏は語った。 膨大な動画ライブラリからユーザーの好みに合わせておすすめの動画を表示する機能は、YouTubeにとって極めて重要なものだ。この機能により、ユーザーはアプリを開いた時、あるいは検索した動画の視聴後に、見るべきコンテンツをすぐに見つけることができる。YouTubeが収益を得る手段としても、この機
こんにちは。エンジニアの池田(@progrhyme)です。 昨年11月に私がエムスリーにjoinして、早2ヶ月が経ちました。現在は、主に電子カルテ事業やAI関連事業のサーバーサイドを担当しています。 本日は、私がAPIシステムの構築に携わった、機械学習を利用したニュース記事の推薦システムについて紹介します。 目次: 「Archimedes」とは 学習・推薦アルゴリズムについて システム構成 システム概要 Infrastructure as Codeの実践 Immutable Infrastructureの実践 今後について 終わりに 「Archimedes」とは このシステムは、社内で「Archimedes」というコードネームで呼ばれています。 以降、本記事でもこのシステムをArchimedesと記します。 Archimedesはm3.comやメールマガジンを送信するシステムのバックエンド
popInは1月31日にディープラーニングによる画像レコメンド「Photo Discovery」を発表した。記事中の「画像」を解析して、ユーザーに対し関連性の高いコンテンツをレコメンドする仕組みだ。同サービス提供の背景や、今後パブリッシャーに対して提供する独自価値について、同社 代表取締役 程 涛氏に聞いた。 人々がマルチデバイスを活用し、多量の情報に触れるいま、より読者の興味・関心にマッチした記事を、最適なタイミングで届けることが求められている。コンテンツと読者のマッチングの鍵になるのがレリバンシー(関連性)だが、コンテンツレコメンデーションpopIn(ポップイン)は、これまでとは異なる新しいアプローチを提示する。それはディープラーニングによる画像認識を活用したおすすめだ。 popInは1月31日にディープラーニングによる画像レコメンド「Photo Discovery」を発表した。記事中
本記事は、当社オウンドメディア「Doors」に移転しました。 約5秒後に自動的にリダイレクトします。 こんにちは、アナリティクスサービス本部の小田です。 寒くなるとクシャミをするたびにギックリ腰の予感がします。 このところ業務でレコメンデーションに触れることが多いので、本ブログではレコメンドについて、実際にRやPythonでコードを書きながら、ゆるゆると考察していきたいと思っています。 今後複数回にわたってレコメンド手法の概念や実装方法を中心に、基礎的な内容から最近流行りの技術まで幅広く触れる予定です。また手法以外にも、評価方法やコールドスタート問題に代表されるレコメンデーションの課題など、様々なトピックに触れたいと思っています。不定期に書いていく予定ですが、その辺はゆるふわということでご了承ください。 さて、今回はレコメンドアルゴリズムの基本とも言える「協調フィルタリング」について、機械
パブリッシャーの多くは記事の関連コンテンツの紹介を最適に行なうためにアウトブレインやタブーラのようなサードパーティーを活用している。しかし、ニュース・コーポレーションは傘下のメディアに対して、パブリッシャー間でのコンテンツレコメンドウィジットを開発し、相互に関連記事のやり取りを試みる。 コンテンツの回遊施策の話になると、多くのメディア企業がアウトブレイン(Outbrain)とタブーラ(Taboola)に目を向ける。こうした企業は、収益を生み出すため、メディアミックスで広告を振り分けてくれるからだ。 対して、米大手出版メディア企業ニューズ・コーポレーション(News Corporation)は異なる選択をした。傘下企業のダウ・ジョーンズ(Dow Jones)と提携し、互いのサイト上で記事をシェアできる、独自のコンテンツ・リサーキュレーション(再循環)ウィジェットを開発し、試験運用の段階にある
コンテンツマーケティング全盛期のいま、単なる流入獲得装置としてだけでなく、フルファネルをカバーしたアプローチを可能とする、レコメンドエンジンが大きな関心を集めている。 もともとは、パブリッシャーが運営するメディアの関連記事枠ソリューションだったレコメンドエンジン。現在は、個々のユーザーの興味・関心に応じたレコメンドを行えるほどまでに進化している。しかし、その場所はブランドにとっても、未知なる可能性を秘めた、新しいマーケティングの舞台だった。イスラエルで開発された、世界初のレコメンドエンジン「アウトブレイン(Outbrain)」は、その最右翼サービスのひとつだ。 アウトブレイン ジャパン株式会社の社長である嶋瀬宏氏に、同社がパブリッシャー企業やクライアント企業に提供する独自価値や、今後コンテンツマーケティングをいかに進化させていくかについて伺った。 コンテンツマーケティング全盛期のいま、単な
データ分析から導き出されたインサイト無しにAI(人工知能)の活用は始まりません。私たちは、各業界知識とデータ・アナリティクス技術を駆使しデータドリブン経営を強力に支援します。 データ、アナリティクス、AIは企業にとって競合他社との差別化を図るかつてないほど大きな要因になっています。今日の経営幹部が効率を向上しながら新たな収益源を開拓し、新しいビジネスモデルをタイムリーに構築する方法を模索する中、価値を生み出し成長を続ける企業には「データ活用」という共通項があります。私たちは、無数のデータから企業にとって本当に必要なデータを活用するための方法を知っています。 将来を見据えたオペレーション体制を備えている企業の半数以上(52%)は、すでにデータとアナリティクスを大規模に活用しています。データとAIに関する取り組みをビジネス戦略に沿って実施することで投資利益率を迅速に最大化し、最終的にはAIをビ
データ分析から導き出されたインサイト無しにAI(人工知能)の活用は始まりません。私たちは、各業界知識とデータ・アナリティクス技術を駆使しデータドリブン経営を強力に支援します。 データ、アナリティクス、AIは企業にとって競合他社との差別化を図るかつてないほど大きな要因になっています。今日の経営幹部が効率を向上しながら新たな収益源を開拓し、新しいビジネスモデルをタイムリーに構築する方法を模索する中、価値を生み出し成長を続ける企業には「データ活用」という共通項があります。私たちは、無数のデータから企業にとって本当に必要なデータを活用するための方法を知っています。 将来を見据えたオペレーション体制を備えている企業の半数以上(52%)は、すでにデータとアナリティクスを大規模に活用しています。データとAIに関する取り組みをビジネス戦略に沿って実施することで投資利益率を迅速に最大化し、最終的にはAIをビ
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
処理を実行中です
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