Amazonの推薦システムの20年
IEEE Internet Computingの2017年5・6月号に "Two Decades of Recommender Systems at Amazon.com" という記事が掲載された。 2003年に同誌に掲載されたレポート "Amazon.com Recommendations: Item-to-Item Collaborative Filtering" が Test of Time、つまり『時代が証明したで賞』を受賞したことをうけての特別記事らしい 1。 「この商品を買った人はこんな商品も買っています」という推薦で有名なAmazonが1998年にその土台となるアルゴリズムの特許を出願してから20年、彼らが 推薦アルゴリズムをどのような視点で改良してきたのか 今、どのような未来を想像するのか その一端を知ることができる記事だった。 アイテムベース協調フィルタリング 20年前も
会誌「情報処理」の特集『利用者の好みをとらえ活かす-嗜好抽出技術の最前線-』のメモ - sta la sta
情報処理学会の会誌「情報処理」を毎月読んでるわけですが（会員だしね）、今月号の特集『利用者の好みをとらえ活かす-嗜好抽出技術の最前線-』が面白かったので備忘録代わりにメモ。 特集記事一覧はこちら。 0. 編集にあたって（土方嘉徳） 1. 嗜好抽出・情報推薦の基礎理論：1）嗜好抽出と情報推薦技術（土方嘉徳） 1. 嗜好抽出・情報推薦の基礎理論：2）協調フィルタリングの課題：プライバシー，サクラ攻撃，評価値のゆらぎ（神嶌敏弘） 2.ネットワーク上のユーザ行動に着目した嗜好抽出・情報推薦：1）協調フィルタリングを用いたレコメンドサービスの導入事例と課題（市川裕介） 2.ネットワーク上のユーザ行動に着目した嗜好抽出・情報推薦：2）嗜好情報に基づくニュースコンテンツの推薦とその応用-画一的な便利さと多様な嗜好への適応-（河合由起子） 3.実世界上のユーザ行動に着目した嗜好抽出・情報推薦：1）AV機器
ユーザベースの協調フィルタリングの一般的な原理: Minkyのよもやま日記
以前、 ★ アイテムベースの協調フィルタリングの作り方 その1 ★ http://skellington.blog.so-net.ne.jp/2009-08-20 ★ アイテムベースの協調フィルタリングの作り方 その2 ★ http://skellington.blog.so-net.ne.jp/2009-08-21 という記事を書いた。 今度は、ユーザベースの協調フィルタリングの話。 例として、5人のユーザが下記の4つの食べ物について食べたい度合い(得点)を付けたとする。 Step1 ユーザとユーザの距離をコサイン類似度や相関係数などを利用して計算する。 このあたりの距離をどう計算するかは、一つの研究課題。 ユーザ数が M 人いた場合、M ×(M - 1)個の類似度を計算する。 得点(連続値)ではなく、1 or 0 で与えてあげれば、アクションする/しないの判別分析に使うことができる。
協調フィルタリング技術を掘り下げる--ECサイトのレコメンド技術を考える（3）
印刷する メールで送る テキスト HTML 電子書籍 PDF ダウンロード テキスト 電子書籍 PDF クリップした記事をMyページから読むことができます 前回は、ECサイトのレコメンド技術の種類として、ルールベース方式、コンテンツベースフィルタリング方式、協調フィルタリング方式、ベイジアンネットワーク方式の4つを紹介した。今回は、これらのレコメンド方式をより細分化した上で、協調フィルタリングのロジックについて解説したい。 4つのレコメンド方式は、「レコメンドするために必要な情報は何なのか」、「何をもってレコメンドするためのルールとするか」という切り口で分類していると解説した。それぞれのレコメンド方式は、さらに「どの判別属性を軸にレコメンドアイテムを決定しているのか」という切り口によって細分化できる。その判別属性とは、アイテムベース、ユーザーベース、ユーザー提示情報ベースの3つだ。 例えば
Programming Collective Intelligence 100111
"Programming Collective Intelligence" reading party, Chapter 2: RecommendationRead less
協調フィルタリングによるリコメンデーション
潜在的な顧客にいかにその人が欲しい商品を勧めるかは広告主にとって重要な要素である。この手法はインターネットユーザのサイト閲覧履歴やクリック履歴などをもとにユーザの嗜好パターンを学習し、そのユーザが好みそうな商品を推薦するための一般的な手法である。 この手法では、複数のユーザのサイト閲覧履歴データを用いる。図１は、縦軸をユーザ、横軸をWebページとして、履歴のうちどのユーザがどのWebページをクリックしたかを表している。「１」はクリックしたことを表し、「０」はそうでないことを表す。ここで、データの埋まっていない部分について、他人のデータを用いてその人の嗜好を予測するのが本手法である。 このような協調フィルタリングの手法はいくつかあるが、代表的なのが相関係数法である。これは、ユーザAとユーザBの嗜好パターンに高い相関性がある場合に、ユーザAがクリックしたサイトXをユーザBに推薦するという方法で
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
http://cresol.netsket.com/description.html
https://www.kamishima.net/archive/2004-tr-jsai_kbs.pdf
http://inet-lab.naist.jp/publication/m-gu3.pdf
http://db-event.jpn.org/deim2010/proceedings/files/A4-2.pdf
1 Abhinandan Das, Mayur Datar, Ashutosh Garg, Shyam Rajaram,“Google News Personalization: Scalable Online Collaborative Filtering”, WWW2007,pp271-pp280 全体像 GoogleNews のレコ メンドの裏側 目的：実際のシステム で��