2015-03-21 #TokyoWebmining 44th の発表資料です。
Apache Spark による推薦システム案件例
2015-03-21 #TokyoWebmining 44th の発表資料です。
第1回 推薦システムが求められる背景 | gihyo.jp
はじめに 今回から全11回の予定で、情報推薦システムの入門という題目で連載させていただくことになりました。連載は株式会社Gunosyの福島、関、吉田が連載ごとに担当します。よろしくお願いします。 近年、ビッグデータやデータサイエンティストといった言葉が巷を賑わせています。筆者自身は、これらの言葉はバズワードであり、盛り上がり過ぎていると冷静に見ています。一方で、Gunosyというサービスを提供する側としては、以下の2点について非常に重要な課題であると思っています。 データの分析結果を中心にした意思決定をどうやって組織に組み込んでいくか 大量で非構造なデータの解析結果をどうやってユーザの満足度の向上に反映させるか そしてデータ解析の有力な応用先といった文脈で、情報推薦システムへの注目が大きくなっていると筆者は感じています（それが少々過大にも思えるほど）。 本連載では、情報推薦システムとは
Netflix視聴の75％を支えるオススメ機能の秘密 | Kazuyo Nakatani's Blog
USでは、定額制動画配信サービスの絶対的王者であるNetflix。 視聴者データ分析をもとに１億ドルという巨額の制作費をつぎ込み成功させたエミー賞受賞ドラマ「ハウスオブカード」や、2014年にはネットワーク中立性の話題でも有名になりました。しかし、私が最も注目しているNetflixのすごさは、何よりもオススメ機能（レコメンデーションエンジン）です。 全視聴の75％がオススメ機能から。 Netflixのなんと75％もの視聴が、オススメ機能から始まっているといいます。これは驚異的な割合です。だって、想像してみてください。「XXって映画観たいな。検索、検索・・・」という前に「（オススメ欄に）XXがある！これ観よう。」となる状況を作っているのです。通常のケースでは、オススメ機能からの視聴なんて、Netflixの半分もないでしょう。 この75％という数字こそが、Netflixのプロダクトイノベーショ
Hadoopでレコメンドシステムを作ろう 記事一覧 | gihyo.jp
運営元のロゴ Copyright © 2007-2024 All Rights Reserved by Gijutsu-Hyoron Co., Ltd. ページ内容の全部あるいは一部を無断で利用することを禁止します。個別にライセンスが設定されている記事等はそのライセンスに従います。
はてなブックマーク記事のレコメンドシステムを作成 PythonによるはてなAPIの活用とRによるモデルベースレコメンド - データ分析がしたい
私は情報収集にはてなブックマークを多用しており、暇な時は結構な割合ではてなブックマークで記事を探してます。しかし、はてなブックマークは最新の記事を探すのは便利ですが、過去の記事を探すにはいまいち使えません。個人的には多少過去の記事でも自分が興味を持っている分野に関しては、レコメンドして欲しいと感じてます。 ありがたいことにはてなはAPIを公開しており、はてなブックマークの情報を比較的簡単に取得できます。そこでこのAPIを利用して自分に合った記事を見つけるようなレコメンド機能をRとPythonで作成してみたいと思います。 利用するデータは、はてなAPIを使って収集します。具体的には、はてなブックマークフィードを利用して自分のブックマークしているURLを取得し、そのURLをブックマークしているユーザをエントリー情報取得APIを用いて抽出し、そのユーザのブックマークしているURLを収集します。こ
Redisを使ったレコメンド機能の実装 - maaash.jp
それRedisでできるよ、期でしょうか。 最近Redisでレコメンド機能をつくってみたのでご紹介です。 ここで”レコメンド機能”というのは、 Amazonでいう”この商品を見たお客様はこれも見ています”や、ブログの関連記事を出す機能のこと。 user:1がproduct:Aをみたときに、product:Aに似ているproduct:Bをレコメンドしたい。 product:Aとproduct:Bがどれくらい似ているか:類似度 を算出した後は、 Redis得意のSorted Setを使って類似度のランキングをつくれば 似ているproductを出すことができます。 類似度の算出にはいろいろ方法があるようですが、 Redisのデータ構造と相性のよい Jaccard [wikipedia]という方法を使いました。 この例に適用すれば、 product:Aを見たユーザー群(RedisのSet)と、pro
レコメンドメールは効果があるのか？ MarkeZineメルマガでの実験結果レポート
『MarkeZine』が主催するマーケティング・イベント『MarkeZine Day』『MarkeZine Academy』『MarkeZine プレミアムセミナー』の 最新情報をはじめ、様々なイベント情報をまとめてご紹介します。 MarkeZine Day
レコメンドサービスを「気持ち悪い」と感じるユーザー心理 KDDI研究所らがはじめて定量的解析に成功
『MarkeZine』が主催するマーケティング・イベント『MarkeZine Day』『MarkeZine Academy』『MarkeZine プレミアムセミナー』の 最新情報をはじめ、様々なイベント情報をまとめてご紹介します。 MarkeZine Day
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
Amazon.co.jp: 集合知イン・アクション: Satnam Alag (著), 堀内孝彦 (翻訳), 真鍋加奈子 (翻訳), 真鍋和久 (翻訳): 本
捗るリコメンドシステムの裏事情（ハッカドール）