http://blog.yoslab.com/entry/2014/07/04/072734
Netflixはどのように映画をジャンル分けしているか - 不可視点
映像コンテンツのストリーミングといえばNetflix、現在4400万人のユーザー（有料会員）がいる成熟したサービスですが、現在もすごいペースで成長しています。 Netflix、第4四半期決算で大幅増益--加入者数は400万人増 - CNET Japan 利用できる地域は限られますが、日本でもレコメンデーションのコンテストNetflix prizeの開催や、AWSをいち早く活用した企業として知られています。 Netflixは先に紹介したNetfix Prizeでレコメンデーションの性能向上に懸賞金をかけたほど、レコメンデーションがサービスの重要な位置を占めています。 視聴された映画の2/3はレコメンデーション経由らしいです。 Todd Yellin(Vice President of Product Innovation at Netflix)は、「映画をピッタリの人にピッタリのタイミングで
Real World Recommdnder - 現実世界の推薦システムにおける、精度と速度以外の話 -
自己紹介 d:id:gnarl twitter:todesking いちおう情報系 興味 プログラミング言語処理系 ソフトウェア・アーキテクチャ(オブジェクト指向設計とか) 機械学習(ニワカ) 推薦エンジンを作ってるチームに所属してます 最近の仕事: javaでニュース記事の特徴語を解析して云々 ruby+sinatraでなんかつくる仕事 アジェンダ(1) 推薦システムとはなにか 推薦システムの種類 コンテンツベース、行動ベース ユーザ-アイテム、アイテム-アイテム モデルベース、メモリベース この辺の話は皆さんのほうが専門家ですね…… 省略します アジェンダ(2) 推薦システムの精度をはかる MAE/RMSE Precision, Recall 推薦システムの抱える問題点 スパースネスの問題 コールドスタートの問題 この辺の話を長々とすると会場の研究者にしらけた顔をされる…… 省略します
netflix prize is over, 時間経過による嗜好性の変化 - DO++
米国のオンラインDVDレンタルサービス「Netflix」が、現在利用しているレコメンデーションシステムの性能をはじめに10%改善したチームに100万ドルの賞金を与えるという触れ込みで始まったnetflix prizeは当初の予想よりも時間がかかったが、つい最近最初からトップを走り続けていたbellkorと、上位陣のコラボレーションのチームが10%の壁を破った（leaderboard）。 彼らの手法は「非常に多くの様々な種類のレコメンデーションシステムの結果を混ぜ合わせる」という愚直だがいかにも精度が出そうだという方法を採用している（、と昨年度の結果からは思われる。近々詳細は出るだろう。） 実際に使ってとどめになったかどうかは分からないが、彼らのチームの主要メンバーがKDDで新しい手法を発表しており、単一の手法による最高精度を達成している。ちなみに今年のKDD（データマイニング系の学会の最高
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
Y村氏の記事 - かふぇ・べいぶ別館
奥さんのいとこが「首里ほりかわ」の美人店員だったY村氏（笑）の記事． おすすめのススメ 成功するレコメンドとは（IP-PLUS） ただ，素人考えなのだが，情報推薦の成功をページビューや滞在時間の増加で判断することは，少し問題があるかも．つまり，情報推薦が的確に行われる理想的な状況は，最初の画面で望むものが見つかること…つまりページビューや滞在時間が極小になるケースだと思うからだ．もちろん，これは単なる理想だが，ページビューや滞在時間が増加している段階は，情報探索空間をうまく拡大できているが，残念ながら情報探索コストも同時に増大していることを示す証拠だろう．もし，拡大した情報探索空間を，より効率的に探索できるようになったら，つぎはページビュー数や滞在時間が一転して減少するかもしれない． 現在は，どこもこれができていないように思う．たとえば，Amazonや楽天でも，同種の商品（価格や送料が違う
機械 vs. 人間、どちらのレコメンデーションが正確か？
Amazon の例を挙げるまでもなく、最近はどんなWEBサイトでも「これを買うといいよ」「これを読むといいよ」などと推薦をしてくれるようになりました。大抵は何らかのアルゴリズムで機械的に「オススメ」が決められているわけですが、日常生活では人間が別の人間にオススメをしているはず。それじゃ機械と人間、どちらのレコメンデーションの方が精度が高いのか？という実験が行われているそうです。しかも面白いことに、ゲームのスタイルを使って： ■ Video Store Clerk Game: A Crowd Wisdom Experiment (Ironic Sans) "Video Store Clerk Game"というのがそのゲーム（上はそのスクリーンショット）。早速プレイしてみたいという方のために、ルールは以下の通りです： あなたはレンタルビデオ店の店員で、ビデオを借りにきたお客にアドバイスするとい
レコメンデーションの動向
元 文教大学 経営学部 幡鎌研究室のページです。間もなく閉じます。 幡鎌 博は、2020年3月末で文教大学を退職いたしました。これまでのこのコンテンツは、幡鎌が新たに興しました会社 デジタル・ビジネスモデル研究所のページに移行いたしました。これからは、そちらをご覧ください。 今後ともよろしくお願いいたします。
大阪府で賢い借金返済方法を教えます！
借金をしたときには、必ず返済しなければなりません。 多くの人がそのまま頑張って返さなければと考えがちですが、賢い借金返済方法を取ることでより楽に返せるようになるのです。
情報推薦がうまくいくジャンル、うまくいかないジャンル - UMEko Branding
ホットリサーチ調査結果(http://www.hottolink.co.jp/entry160.html)に掲載されていたデータから、以下のような結果が。。。オススメされたと感じた商品ジャンル：・「書籍を販売しているサイト」（３４．５％）・「家電製品を販売しているサイト」（３１．０％）・「CD・DVDを販売しているサイト」（２５．３％）・「ソフトウェアを販売しているサイト」（２３．０％）・「音楽ダウンロードサイト」（６．９％） 実際にオススメされた商品について購入したジャンル：・「書籍を販売しているサイト」（２０．４％）・「ソフトウェアを販売しているサイト」（１４．８％）・「家電製品を販売しているサイト」（１３．０％）・「CD・DVDを販売しているサイト」（９．３％）調査を実施したホットリンク社は、レコメンドエンジンの提供も行っているベンダなので、調査自体に中立性があるかどうか、やや迷うと
推薦システムをパーソナルビューで見直す - 0x0a :: ja :: svslab(2009-02-15)
_ 推薦システムをパーソナルビューで見直す ここでも何度か書いているが，院生の頃から推薦システムの研究に引っかかりを感じていた．引っかかりの原因は「新たに開発した推薦システムを利用することでユーザの情報探索の負荷を下げる」という「推薦システムの有無」ないし「推薦アルゴリズムの違い」という問題に落とし込もうとしているという点にある．Norman流にいうならこれは「システムビュー（system view）」*1，つまり「設計者の視点から新たな人工物の有無によるユーザの負荷の違いをみる」という見方である．ここで，Normanがシステムビューと対照的な概念として示している「パーソナルビュー（personal view）」，つまり「ユーザからみて推薦システムの挙動はどう見えるのか」「推薦システムによってユーザの情報探索という行為はどう変化するのか」という視点から，「推薦システムのアルゴリズム（1，2
レコメンドエンジンのアルゴリズムの学術情報を一挙総まとめ
February 10, 2009 14:31 レコメンドエンジンのアルゴリズムの学術情報を一挙総まとめ カテゴリ レコメンデーション ホットラボ Tweet ホットリンクは、創業以来8年間ずっと『究極のエージェント』を目指して会社を運営してきているので、レコメンドエンジン・データマイニング・テキストマイニング・WEBマイニング・対話エンジン等の技術はずっと開発してきました。 今回は、ホットリンクのレコメンドＡＳＰサービス「レコナイズ」の開発に際して、再度まとめたレコメンドエンジンに関する学術分野での基本から最新までの論文などをご紹介しておきます。 （ホットラボ（ホットリンクの研究チーム）メンバーである産業技術総合研究所の濱崎さんが中心となって以前まとめてくれたものです） **********************************************************
この記事のオリジナル: ReadWriteWeb - flamingoのひとりごと
今週アムステルダムで，レコメンデーションシステムに関心があるエンジニアを対象にRechedとよばれるイベントが開催された．イベントホスト会社によるプレゼンテーションで，それらの会社が効果的なレコメンダーシステムをつくるために克服しなければならない問題が挙げられた． １．データ不足 Google, Amazon, Netflix, Last.fmなど，素晴らしいレコメンデーションをもつと認識されている会社が，多くのユーザデータを持っていることは偶然ではない． よいレコメンダーシステムはまず，（カタログや他のフォームから）アイテムデータを必要とする．そして，それはユーザデータ（行動イベント）をキャプチャして分析する．そして，魔法のアルゴリズムがうまく働く．レコメンダーシステムがうまく働く上でより多くのアイテムやユーザデータは，よりよいレコメンデーションとするのに強いチャンスをうむ．しかしそれは
情報推薦アルゴリズムの効果をどう評価するのか - 図書館情報学を学ぶ
以前このブログでも紹介した『集合知プログラミング』を読みつつ、細々とデータマイニングの勉強を続けているこの頃です。それに関連して情報推薦についての研究動向についても調べていたりしているのですが、そうしていくうちに疑問に感じることがありました。 それは、情報推薦アルゴリズムの有効性を正しく評価できるのか？ということです。アルゴリズムというと、素数の判定やソートなどが思い浮かびますが、その場合の有効性はいかに少ない時間で計算結果を出せるかという、定量的な尺度で評価することが可能です。しかし情報推薦の場合は効率性ではなくユーザーの明示化できない欲求に応えることという数値化しにくい目的であるので、果たしてそこで導入されるアルゴリズムの有効性はそもそも評価できるのだろうか？と思うのです。 情報検索のアルゴリズムの場合は、適合率と再現率の2つの尺度によって評価することができます。適合率とは「検索結果中
ライブドア、レコメンドエンジンをオープンソースで公開
ライブドアは12月24日、開発者向けに汎用レコメンデーションエンジン「Cicindela」をオープンソースとして公開した。ソースコードはGoogle Code上でMIT Licenseにて配布している。 Cicindelaは、「このウェブページを見た人はこんなページも見ています」といったおすすめ機能を既存のサービスに追加できるように、ライブドアで独自開発したレコメンデーションエンジン。 Perl＋MySQLで作成する際のアプリケーションに適し、id値のみをやり取りするhttpベースの簡潔なAPI、数種類のフィルタを自由に組み合わせることができる高いカスタマイズ性が特徴だ。 ライブドアが提供する下記のサービスで稼動実績がある。 livedoor ニュース livedoor グルメ livedoor クリップ youbride DLsite 今後はCicindelaをサイトで導入したいという開
楽天も情報爆発しています - 武蔵野日記
楽天テクノロジーカンファレンスには行かれなかったのだが、大規模分散処理フレームワークの設計、実装が進行中 -- 楽天版MapReduce・HadoopはRubyを活用などを読むと、けっこうおもしろそうだったのだな、と分かる。 楽天技術研究所がどういう位置づけなのかは分からないが、こういう基盤技術の開発を支援しているというのは評価していいと思う。(車輪の再発明という気がしないでもないが) 個人的な興味としては楽天が大規模データに対してどういうことをしているかということなのだが、記事を見るといろいろ書いてある。 計算モデルがシンプルでも規模が巨大になるとまったく別の問題が生まれてくる。処理すべき情報量が爆発的に増加しているからだ。 例えば協調フィルタリングではユーザーを縦軸に、商品アイテムを横軸にした購買履歴マトリックスについて計算処理を行う必要があるが、あまりに量が多く、素直に実装すると「2
「このページを見た人はこのページも見ています」を実現するFirefoxのアドオン『Fast Forward』 | 100SHIKI
なんかいいサイトないかなぁ、というときに使えそうな（多分）ツールのご紹介。 BuzzBoxが配布しているFast ForwardなるFirefoxのアドオンは、ブラウザの「戻る」「進む」ボタンに加えて「早送り」ボタンを追加してくれる。 なんとこのボタンを押すと「あなたが今見ているページのあとに他の人がよく行くページ」に連れて行ってくれるのだ。 どうやら各種ネット上の公開データやユーザーが匿名で提出する情報をもとに算出しているようだ。 まだユーザー数が少ないから微妙ではあるが、「他の人が見ているものも自分も見たい」という欲求が人にはあるだろう。 こうした「みんなで楽しむ仕組み」はもっと出てくるといいですね。
ALBERT、レコメンデーション方式を12種類に体系化
レコメンドエンジンのALBERT（アルベルト）は10月17日、同社独自のレコメンデーション分類方法の改訂版を発表した。レコメンド対象者などを12種類に分類しており、ほぼすべてのレコメンド方法を説明できるという。 分類方法の名称は「ACKマトリクス」。レコメンデーションを体系的に分けて整理することで、インターネット検索やリアル推薦といった情報マッチングの方法論を包括的に扱えるようにした。 まず、レコメンド対象者に関するデータを「（1）対象者が起こしたアクションデータ（クリックや注文など）」「（2）対象者の履歴データ（過去の閲覧履歴や購買履歴）」「（3）対象者の申告データ（アンケートデータや申告データ）」「（4）その他（対象者を特定しない）」の4項目に分ける。続いて、対象者以外のデータを「（A）モノ属性（Attribute：商品属性データ情報のデータベース）」「（C）人ベース（Consumer
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
http://www.tv-tokyo.co.jp/wbs/2009/03/post-445.html
テクノロジー : 日経電子版
