Rで協調フィルタリングをやってみた - St_Hakky’s blog
こんにちは。 実際のレコメンドシステムでは、こういったパッケージを利用するのではなく、独自アルゴリズムなどを開発して自社パッケージとして持っておくのが普通かなぁと思う。 んだけど、PoC(Proof of Concept)の段階、つまりレコメンドを実業務に導入する前の手間では、パッケージを使うのが手っ取り早いなぁと思うので、今回はパッケージを使っていく。 ○Rのパッケージ：recommenderlab このパッケージでは、「レーティングの予測」と「Top-Nリストの生成」の2種類のレコメンデーション機能を持っている。独自アルゴリズムを実装する際のコストも比較的小さく済むなど、拡張性に優れている。これらに興味がある場合や、Top-Nリストの生成についての興味がある場合は、以下の論文が参考になる。 Hahsler, Michael. "recommenderlab: A Framework f
協調フィルタリングを利用した推薦システム構築
6. データ活用領域 Hindsight （見える化） データ活用度 種類 規模 Insight （気づき） Foresight （予測） 単独システムのデータ 複数システムのデータ 社外データとの連携 ② 手軽に始めるクラウドベースの機械学習 • 豊富なアルゴリズムを用いて機械学習を試せる環境を時間単位で手軽に利用可能 • 構築したモデルを他のシステムと連携（API 公開）により直ぐに利用可能 API公開 Azure Machine Learning ① Excel ベースの強力な BI 使い慣れた Excel ベースの UI のため、どの ユーザー部門でも容易に活用ができ、レポー ト表示・項目変更もユーザー主導で Power BI ③-2 データ種類・場所に依存しない Hybrid なデータ結合・共有 • 社内のオンプレ・クラウド環境の構造・非構造データや、 外部のデータを容易に結合で
アイテムベースの協調フィルタリングの作り方 その1: Minkyのよもやま日記
アイテムベースの協調フィルタリングの作り方 その1 SPSS Clementine(PASW Modeler)を使ってアイテムベースの協調フィルタリングを実装した。 以前、ユーザベースのも作ったのだが、計算にやたら時間がかかってしまう。 それにあんまり当たらなかった。ｗ アイテムベースの方が計算時間が早いし、アルゴリズムも簡単だ。 アイテムベースでもあんまり精度は期待できないのだが、、、 さて、プログラム手順だが、例として、下記のようなデータを考える。 ユーザが7人いて、アイテムがa,b,c,d,e,f,gの7アイテムあるとする。 raw data は、下記のようなものをイメージして欲しい。 Step1 セットで購入されるアイテム間の関連性のみを把握したいので、数値データを0-1データに置換する。 ユーザ×アイテムのテーブルで書くと、 Step2 Step1で作ったユーザ×アイテムのテーブ
アイテムベースの協調フィルタリングの作り方 その2: Minkyのよもやま日記
アイテムベースの協調フィルタリングの作り方 その2 ★ 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 の続き。 前回終了した時点でのデータは、 という形になっている。 Step3 のイメージは、 というデータを作りたい。 Step3 のストリームは、 で作られる。 最初のレコード集計ノードは、 レコード集計_合計ノードは、 レコード結合は、 score（フィールド作成）は、 となる。 最後、Step4では、データを整形するだけなので、簡単。 フィルタノードは、 ソートノードは、 となる。 最後にデータを出力してみると となる。 例えば、商品a を買った人に、何をリコメンドするかってことを考えたら、 商品c の score が一番高いので、商品c をリコメンドしよう！ってのに使えるかもし
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。
ユーザベースの協調フィルタリングの拡張: Minkyのよもやま日記
★ ユーザベースの協調フィルタリングの一般的な原理 ★ http://skellington.blog.so-net.ne.jp/2009-08-26 の続き。 ここで改良（拡張）したいこととして 1. ユーザ数が多くなると処理時間がかかってしまう。 2. ユーザ × アイテムの関係に、ユーザの属性や時間などを取り込めないか？ があった。 1. の問題は置いておいて、2. を先に考える。 ユーザ × item の2変量で類似度を計算しているのを、複数の変数(要因)を絡めて計算する方法ってないだろうか？ 解決方法 Ⅰ 複数の変量を扱うための拡張として考えられる方法として 解決方法 Ⅱ 各属性を要素として類似度を計算する。 解決方法 Ⅲ ユーザをクラスタ化し(Step 1)、残りの1変数で類似度を計算する。(Step 2) 解決方法ⅠとⅡは、ユーザ × アイテム の2変量しか扱えない問題を解決
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
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
「第５回 データマイニング+WEB 勉強会＠東京－WEB解析・最適化祭り－」の講師資料です(10/06/20) hamadakoichi 濱田晃一 Read less
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
Collaborativefilteringwith r