RecBole を用いてクックパッドマートのデータに対する50以上のレコメンドモデルの実験をしてみた - クックパッド開発者ブログ
こんにちは。研究開発部の深澤(@fufufukakaka)です。 本記事では最近面白いなと思って watch しているレコメンド系のプロジェクト RecBole を紹介いたします。また、クックパッドが展開している事業の一つであるクックパッドマートのデータを使って数多くのレコメンドモデルを試す実験も行いました。その結果も合わせて紹介します。 TL;DR: レコメンドモデルは作者実装に安定性がなく、またモデルをどのように評価したかも基準がバラバラで、再現性が難しいとされている(from RecSys 2019 Best Paper) 再現性に取り組むプロジェクトとして 2020年12月に始まった RecBole がある。 RecBole を利用することでなんと 50個以上のレコメンドモデルを大体１コマンドで試せる クックパッドマートでユーザに対してアイテムをレコメンドするシチュエーションを想定
ML事業部の金田です。今回は、ストックマークの提供する法人向けサービス「Anews」の裏側で動くビジネスニュース推薦システムについて、簡単に紹介いたします。 AnewsとはAnewsは組織変革のための情報収集＋コミュニケーションプラットフォームです。 情報収集のためのコア機能としては、国内外３万メディアから収集したビジネスニュースから、利用者の興味・関心に合わせて記事を配信するサービスを提供しています。日々配信されるニュースから業務ニーズに直結するインサイトを獲得し、これを話題にユーザ同士が交流することで、組織全体の情報感度やコミュニケーションを促進させるのが、サービスの狙いです。 事前準備：ことばの定義具体的な機能説明の前に、Anewsにおける基本的な概念について軽く整理します。 Anewsは1企業＝1集団としての利用を想定しています。以降ではこの集団をチーム、チームに所属する各利用者を
はじめまして、ZOZO研究所福岡の家富です。画像検索システムのインフラ、機械学習まわりを担当しています。 今回は画像検索システムでお世話になっているAnnoyについてじっくり紹介したいと思います。 目次 目次 Annoyについて 近傍探索について Annoyのソースコードを読むときのポイント AnnoyIndexというクラスのインスタンスを作る インストール過程について PythonのC/C++拡張 Annoyの実装 1. add_item 2. build 3. get_nns_by_vector 4. build再考 他に問題となる点について CPU依存部分 ディスクかメモリか まとめ さいごに Annoyについて Annoyは、SpotifyによるPython近傍探索ライブラリです。 github.com 弊社のテックブログでも以前に取り上げています。 techblog.zozo.c
【ネットワークの統計解析】第8回 事例紹介「Uber における GNN の活用」 - Sansan Tech Blog
こんにちは． DSOC 研究開発部の黒木裕鷹です． 夏の訪れを感じつつある最近ですが，ランニングをはじめました． 形から入ろうと思い，かっちょいいシューズとウェアを揃えたのですが，なんとか1週間は続いており気分が良いです． まだまだ2, 30分走るだけでバテバテになってしまいますが，いずれは健康大魔神になろうと思っています． さて，この連載では，自分の勉強・復習も兼ねて，ネットワークデータにまつわる（統計）解析を気の向くままに紹介しています． 前回の記事では，グラフラプラシアン・グラフフーリエ変換について簡単におさらいしました． あまり理論やモデルの紹介ばかりが続いても面白くないので，今回の記事ではビジネス応用の事例紹介をしたいと思います． 具体的には，Uber における GNN の適用事例を2つほど取り上げることにしました． 私たちの生活にもすっかり浸透した Uber や UberEat
プログラミング無しで「つながり」ネットワーク解析（2部グラフの隣接行列の計算） - おいしい健康 開発者ブログ
こんにちは。データ分析チーム(仮)の花井です。最近は、社内に蓄積されたデータを分析し可視化する方法を模索しています。 過去の記事では協調フィルタリングによるレシピ類似の可視化があります。 oishi-kenko.hatenablog.com 「つながり」を解き明かすネットワーク科学は、これまで薬品設計・代謝工学などの分野で研究者の間で応用されてきましたが、最近では人事に関わる「ピープル アナリティクス」*1といった分野が急速に発展しています。弊社では、ホットなネットワーク科学を食と医療に応用して様々な「つながり」を分析・活用していこうとしています。 今回は、 弊社のSlackデータを例にして、スプレッドシートを使ったネットワークの解析を説明します。BigQueryやPythonを題材にしようと思ったのですが、エンジニアに限らず誰でもネットワークの解析ができるよう、ノンプログラミングできる表
ヤフー株式会社は、2023年10月1日にLINEヤフー株式会社になりました。LINEヤフー株式会社の新しいブログはこちらです。LINEヤフー Tech Blog こんにちは。サイエンス統括本部でレコメンデーションエンジンの開発を担当している吉井と小出です。 今回は、レコメンデーションと横断データ活用の事例として、各種データからユーザーの意図を抽出し、レコメンデーションの性能改善につなげる取り組みについてご紹介します。 ※レコメンデーションエンジンの開発はプライバシーポリシーの範囲内で取得したデータを用いて行っています レコメンデーションとは レコメンデーションは、サービスの利便性を向上させるために欠かせない技術となっています。 代表的なレコメンデーションの利用事例としては、 今閲覧しているアイテムに関連するアイテムを提示する あるアイテムと一緒に買われやすいアイテムを合わせ買いアイテムとし
こんにちは。エンジニアリンググループ AI・機械学習チームの大垣です。 これは エムスリー Advent Calendar 2019 の10日目の記事です。 前日は id:sora_sakaki による、量子ゲームを開発した話でした。 さて、この記事ではデータエンジニアの皆さんが戦われているであろうログデータの活用の話をします。 もちろんエムスリーでもレコメンドやコンテンツの出し分けなどログデータを活用したシステムが開発されています。 ここでは、そのログに加えて、アンケートを用いることで、解釈しやすいユーザーの嗜好分類を行う話をします。 なおこの内容は本日の Machine Learning Night というイベントで簡単に紹介し、スライドも公開する予定です。ご興味のある方はそちらも是非ご覧ください。 webサービスでの行動ログとアンケートの結果を紐づけて予測モデルを作る。アンケート非回
noteのMLチームで主にMLOps関係の開発をしている、むっそです。 先日「読者の行動データを用いたnote記事レコメンドのMLパイプラインツアー」という題材でMLパイプラインについてご紹介いたしました。 今回はnoteの読者の行動データを用いたnote記事レコメンドをリファクタリングした話をしたいと思います。 ※前回の記事をまだ読んでいなくても、この記事は読めます！ ホーム画面の「あなたへのおすすめ」には、ユーザーがよく読む記事に近いレコメンドがされるAWS環境にてnoteユーザーの行動データを用いたnote記事レコメンド機能を提供しております。 リファクタリング前のAWSアーキテクチャリファクタリング前のAWSアーキテクチャ(左側がnoteリポジトリ/右側がMLリポジトリ)行動データを用いたnote記事レコメンドのリファクタリングする前のアーキテクチャを大まかに分解すると、下記のプロ
import random for i in range(10000): user_id = random.randrange(1, 26) item_id = 1 if user_id % 5 == 1: item_id = random.choice([1,2,3]) elif user_id % 5 == 2: item_id = random.choice([4,8,7]) elif user_id % 5 == 3: item_id = random.choice([1,6,9]) elif user_id % 5 == 4: item_id = random.choice([6,7,10]) elif user_id % 5 == 0: item_id = random.choice([4,5,9]) else: item_id = random.randrange(1, 10
自己紹介こんにちは、宮武（@tmiyatake1）です。これまで日本のVCで米国を拠点にキャピタリストとして働いてきて、現在は、LAにあるスタートアップでCOOをしています。Off Topicでは、次世代SNS企業の話や最新テックニュースの解説をしているポッドキャストもやってます。まだ購読されてない方はチェックしてみてください！ はじめに過去4年間で世界で最も勢いがあるアプリ「TikTok」。AirPodsやMeme（ミーム）文化が爆発的に伸びていた流れに乗っかったのは確かだが、それ以外にも自社のUI判断やグロース戦略でここまで成長できた。そして何よりもソーシャルグラフが必要のないSNS、コンテンツベースのアルゴリズムを作ったのは過去に存在しなかったこと。そんなTikTokの裏のByteDanceの最初のサービスToutiaoから実際にTikTokのインフラが作られていた。 今ではByte
はじめに この記事は Brainpad Advent Calender 2019 23日目の記事になります。 ブレインパッドでは、来たるべき量子コンピュータ時代に向けて量子コンピュータの勉強会を週1回行っています。この勉強会では、量子コンピュータに関連する論文を読んだり、論文を読むために必要な基礎の部分を勉強したりしています。そんな有志の集まりで細々と行っている勉強会ですが、今回はアドベントカレンダーの記事を書くぞ、ということで「現状我々が利用できる量子コンピュータで実用的な問題が解けるのだろうか？」ということにチャレンジすることになりました。 量子コンピュータといえば、通常のコンピュータ(量子コンピュータ界隈では古典コンピュータと呼ばれているやつです)では解くことが困難な問題も解くことができる、と言われているのを聞いたことがある人も多いと思います。実際に一部の問題に対しては古典コンピュー
自己紹介 2 小関 俊祐（Shunsuke Ozeki）/ @ozeshun_ - お仕事 - 2022年にDSとしてタイミーに入社 - MLモデルの改善、ML pipelineの構築、 推薦API基盤の運用など幅広くやってます - 最近検索にも手を出し始めました - 趣味 - 野球全般。ロッテ、レンジャースが好き - 海外旅行 - 個人開発的な
ヤフー株式会社は、2023年10月1日にLINEヤフー株式会社になりました。LINEヤフー株式会社の新しいブログはこちらです。LINEヤフー Tech Blog Yahoo!不動産のフロントエンド、バックエンドの開発を担当しているアンドン聖司と申します。 Yahoo!不動産では、店舗での対面接客と同等の物件提案が体験できるようなサービスを目指し、AIがアシスタントとなってユーザーの物件探しをお手伝いをしてくれるような機能を提供しています。深層学習やクラスタリングといった技術・手法を用いて、このAIアシスト機能を提供しています。 先日のYahoo! JAPAN Tech Conference 2022の内容をベースに、これらの技術の紹介と、登壇で語りきれなかった内容をご紹介します。 AIアシスト検索とは 従来の不動産サイトでは、ユーザーが条件を設定して絞り込みを行い、物件の検索を行います。（
RecSys 2021採択論文の中で気になっていた "Towards Unified Metrics for Accuracy and Diversity for Recommender Systems" を読んだ。 独特かつ曖昧な表記の数式が並ぶ「読んでいてイライラするタイプの論文」ではあったものの、推薦結果の Relevance（履歴に基づく類似度；古典的な“精度”に直結）と Novelty（ユーザにとっての推薦結果の新規性・多様性；セレンディピティに寄与）を相互に検討する際の論点、手法に求められる性質、実験のフレームワークのリファレンスとして有用な研究であるように思う。 一方、提案手法の筋の良さ、およびその実用性は疑わしい。定義の曖昧なパラメータを内在し、データに関して十分に事前知識のあるオフラインでの性能評価にユースケースを限定しているためだ。 いずれにせよ「精度の先にある、ユーザ
大規模サービスで効率よくレコメンドを提供するためにTensorflow Recommendersを活用する - DMM inside
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.
メディア統括本部/Data Science Center(DSC) 所属 MLエンジニア 松月大輔
推薦システムにおけるニューラルネットワークの活用について読んだ論文をゆるくまとめる - Re:ゼロから始めるML生活
ここ数ヶ月くらい、推薦システムにおけるNNの活用というテーマで論文をちょこちょこ読んでいました。 推薦システムにNNを適用・応用するという守備範囲も広いテーマではありますが、せっかく良い機会なので自分用にまとめてみたいと思います。 理解が曖昧なところもあり、マサカリが飛んできそうな気配がプンプンしますが、がんばって書いてみたいと思います。マサカリコワイ... 前提知識 協調フィルタリング Matrix Factorization Factorization Machine ニューラルネットワークの推薦システムへの応用の傾向 Feature EngineeringとしてのNN Wide & deep DeepFM DCN AutoInt DCN V2 系列データとして取り扱うNN prod2vec AttRec BERT4Rec Transformers4Rec 参考文献 読んだ論文をまとめ
この記事は GMOアドマーケティング Advent Calendar 2021 12日目の記事です。 こんにちは、GMOアドマーケティングのS.Rです。 機械学習エンジニアとしてよくある開発はレコメンダーシステムの構築になります。今日は皆さんへTensorFlow Recommenderで簡単に映画レコメンダーシステムを構築する方法を紹介します。 TensorFlow Recommenderとは TensorFlow Recommender（TFRS）は、レコメンダー システムを構築するためのライブラリです。 TensorFlow Recommenderで学習データの準備、モデルのトレーニングと評価まで簡単に作業が行えます。 モデルの簡単な説明 TensorFlow Recommender の基本モデルはユーザーが商品を購入する履歴を利用してレコメンド結果を作成することです。 Colabの
はじめに こんにちは。Kagglerの 中間 と 若月 です。業務では主に人材領域でのレコメンドシステムの改善に取り組んでいます。 この記事では、レコメンドシステムにTwo-Towerモデルと近似最近傍探索による候補生成ロジックを導入することで、精度とコストを改善することに成功したので、その取り組みについて紹介します。 背景 導入したロジックについて説明する前に、まず既存のレコメンドシステムについて簡単に説明します。 既存のレコメンドシステムでは、ユーザとアイテムについてルールベースによる候補生成を行った後、機械学習モデルを用いてスコアを付与し、スコア順にユーザに推薦するアイテムを選択していました。 しかし、ルールベースによる候補生成はベースラインとしてはよいものの、性能改善には限界があり、ルールベースが複雑になればなるほど計算コストもかかるようになっていきます。 そこで、性能改善がしやす
Wantedly の Matching Squad でデータサイエンティストをしている関根( twitter: @ndnto, github: @hiroto0227 )です。Matching Squadでは主に企業とユーザーの理想的なマッチングを実現することを目的として、検索システム・推薦システムの改善を行っています。 モチベーション去年の秋ごろに RecSys2020 に参加して最新の推薦システムの技術についてキャッチアップをしました。最近の傾向の一つとして、推薦システムはユーザーの関心の高い(適合度の高い)アイテムを推薦するだけではなく、 Diversity (多様性)や Novelty (新規性)を追求することで、ユーザーにより良いアイテムを推薦することがあるように感じました。 Wantedly RecSys 2020 参加レポート① - Wantedly Data チームで Re
ZOZO研究所、ZOZOTOWNのファッション推薦データとアルゴリズム研究開発基盤をオープンソースで公開 - 株式会社ZOZO
ニュース ZOZO研究所、ZOZOTOWNのファッション推薦データとアルゴリズム研究開発基盤をオープンソースで公開 ZOZOグループの研究開発組織「ZOZO研究所」は、大規模ファッション推薦データと研究基盤となる「Open Bandit（※1）Data & Pipeline」をオープンソースとして公開しました。 現在、米中の少数の大企業によるデータと技術の占有により、外部の企業や技術者が同じ土俵で技術進歩に貢献することが難しいという懸念が強まっています。（※2） この問題に歯止めをかけ、日本企業からの積極的な技術貢献を目指すべく、ZOZOグループが保有する大規模データおよびソフトウェアパイプラインを公開する運びとなりました。今後、日本発のデータ技術のオープンイノベーションを促進するきっかけとなることを目指しています。 Open Bandit Dataは、ZOZOTOWN上での実際の推薦アル
事業会社における 機械学習・推薦システム技術の活用事例と必要な能力 / ml-recsys-in-layerx-wantedly-2023
2023年05月09日 の兵庫県立大学の社会データ分析という講義における講演資料です。 機械学習や推薦システムという技術が事業会社におけるプロダクト開発でどのように活用されているのか、それを実現するデータサイエンティストや機械学習エンジニアというのはどういう職種なのか、LayerXのバクラク請求書やウォンテッドリーのWantedly Visit の例を使って紹介しました。
【開催報告&資料公開】ML@Loft #3 – Recommendation | Amazon Web Services
AWS Startup ブログ 【開催報告&資料公開】ML@Loft #3 – Recommendation AWS 機械学習ソリューションアーキテクトの宇都宮 (Twitter: @shokout) です。本ブログでは ML@Loft 第３回「レコメンド」の開催概要を報告します。 ML@Loft は、 機械学習を AWS 上でプロダクション運用しているデベロッパー・データサイエンティストのためのコミュニティイベントです。毎月テーマを設定し、前半は各分野のエキスパートの方々からのLT、後半は機械学習のサービス導入のノウハウや様々なツラミについて、LT のご講演者の方々を交えて参加者全員参加型のお悩み相談ラウンドテーブルという構成で AWS Loft Tokyo にて実施しています。 第２回 [Blog] は、第１回で好評だった MLOps のテーマを引き続き、そして今回 6/21 (金)
検索エンジンにこれらのフィールドを持つ文書として格納します。「冷蔵庫 安い 黒」のような文字列のクエリが来たら単語に分解して各フィールドに一致する文書をフィルタして、なんらかの方法でソートして表示すればよさそうですね。このように基本的に検索システムは候補生成とランキングの多段構成になっています。候補生成に関してはクエリ拡張や候補拡張など様々な手法が提案されてきて、多くの現場で実際に使われていると思いますが、ランキングはどうでしょうか。 文書のランキングの目的は検索結果の有用性を最大化することです。1977年にRobertsonは与えられた文書セットに対して関連度の確率を高い順にソートしたときに有用性が最大になるというProbability Ranking Principleを提案し、それ以来人々は様々な方法で関連度を推定しようと試みてきました。 従来の単語の出現頻度からランク付けをする手法
YouTubeの動画レコメンデーションシステムは、ユーザーをさらなる偽情報や過激思想に導くとして繰り返し批判されている。ウェブブラウザー「Firefox」を開発する非営利組織MozillaがYouTubeのアルゴリズムの仕組みを調査するために、ユーザーの協力を仰いでいる。 Mozillaは米国時間9月17日にプロジェクトを発表し、YouTubeのおすすめ動画に関する情報をMozillaの研究者らに提供するツールをダウンロードするよう、ユーザーに呼び掛けた。 YouTubeのアルゴリズムはおすすめ動画を選定し、画面右側の「次の動画」、コンテンツが終了した後の動画プレーヤーの中、同サイトのホームページに表示する。おすすめ動画は各ユーザーに合わせて、視聴履歴や登録チャンネル、現在地などを考慮して選定される。視聴しているバンドの別のライブパフォーマンスなど、適切なおすすめ動画が表示される場合もある
こんにちは．noteの基盤開発グループ機械学習チームに所属している安井です．普段は機械学習を活用したシステムの開発から運用までトータルでおこなっています． noteでは記事の分類やレコメンデーションに機械学習を用いて作成されたモデルが使われています．いくつか例を挙げますと，noteに投稿された記事をカテゴリごとにまとめて見るために，記事をカテゴリごとに機械学習で分類しています．また，”あなたへのおすすめ”としてユーザごとにパーソナライズされたおすすめ記事をとどけるためにも機械学習が活用されています． (図1)noteにおける機械学習の活用箇所それらサービスで活用されている複数の機械学習モデルには記事の内容から分散表現を獲得する似たような仕組みが存在しました．今回はそれらを共通コンポーネントとして切り出し，分散表現を推論・保存まで行う仕組みを構築しました．また，その分散表現を活用したレコメン
最適な読書体験をしたい アマゾンなどでレコメンドされる本を上から見ていても読書体験がそんなに良くありません。 本の売り上げランキングなどは、大衆に受ける本がほとんどであり、少々独特なセンスを持つ人たちにはそんなに受けが良くないです。 結果として現状の解決策がSNSや人づてに聞き及ぶぐらいしかないのとジャケ買いなどがせいぜいです どうあるべきかを考えるとき、仮に他人の本棚を知ることができれば、集合知と機械学習を用いて自分に向いているだろう本をレコメンドさせることができます 会社の技術共有会の小話で話した話 Matrix Factorization 2000年台のNetflix Prizeからある伝統的な手法で、シンプルで動作が早く、ユーザが多くアイテムの数がとても多いときに有効な手法です。 DeepLearningでも実装できるし、sklearnなどでも関数が用意されています。 コード 自分
3ファイル追加してGitHub ActionsでHugoにレコメンド記事を表示する | Democratizing Data
こんにちは、早いものでもう40の大台が迫ってくる誕生日を迎えました。前日にブースターショットを打ったので、一日中ほとんど寝込んでいました。必要な人のために、例のリストを置いておきます。 さて、Hugoにはキーワードベースの関連記事の表示をする機能があります。 しかし、キーワードベースの関連記事も悪くはないのですが、折角なので自分で関連記事のレコメンドをしてみたくないですか？ そう思っていたら、 takuti さんの Prelims というオープンソースを見つけました。 Prelimsは、Hugo（やJekyll）のFront matterと呼ばれるメタデータの部分にキーワードやレコメンド記事を足してくれるものになります。 レコメンドの方式自体は、今実装されているのは古典的なTF-IDFを用いたコンテンツベースの類似文書を出してくる方式ですが、Front matterを後から処理してレコメン
DPP (Determinantal Point Process, 行列式点過程) の理論と、推薦システムの多様性向上への挑戦 - Qiita
DPP (Determinantal Point Process, 行列式点過程) の理論と、推薦システムの多様性向上への挑戦機械学習推薦システムAI行列レコメンド この記事では、推薦システムにおける多様性の問題と、それを解決する手法の一つであるDeterminantal Point Process（行列式点過程）について解説します。まずDPPの理論的な概要を説明し、その後推薦システムへ適用した論文を紹介します。 導入 推薦の多様性とは何か 近年の機械学習関連技術の発達により様々な驚くべき機能が実現されていますが、その主な活用先の一つに「推薦システム」があります。 推薦システムはAmazonやYouTubeに代表されるように、商品や動画などのコンテンツ情報と、ユーザのこれまでの行動履歴を元に、大量にあるアイテムの中からユーザが興味を持ちそうなアイテムを選び取るようなシステムです。うまい推薦
https://blog.tensorflow.org/2020/09/introducing-tensorflow-recommenders.html https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEhRP3srVMnqWpCBVIQWg5esg0J_w-u0ZRuIGtmJRLukKIgN4r5fVmnCloV-4zR6dAITFG4cRg6xb2z1V7MXGlG8FJ5PSgPFzSSCE23IiSmLEzczykvX2Dodl08IKuDooGacNBB3v0Hz1hc/s0/TF+Recommenders+06.gif September 23, 2020 — Posted by Maciej Kula and James Chen, Google BrainFrom recommending movies
Building a recommendation engine inside... | Crunchy Data Blog
I'm a big fan of data in general. Data can tell you a lot about what users are doing and can help you gain all sorts of insights. One such aspect is in making recommendations based on past history or others that have made similar choices. In fact, years ago I wrote a small app to see if I could recommend wines based on how other ones were rated. It was a small app that I shared among just a handfu
ヤフー株式会社は、2023年10月1日にLINEヤフー株式会社になりました。LINEヤフー株式会社の新しいブログはこちらです。LINEヤフー Tech Blog こんにちは！サイエンス統括本部でYahoo!ショッピング のレコメンドシステムを開発している高久です。 私の所属するチームでは、さまざまな技術を使ってサービスに実際にどうレコメンド機能を組み込んでいくかについて取り組んでおり、機械学習モデルから配信システムまで一貫して開発・運用しています。 今回はそんな中で取り組んだレコメンドシステムの配信部分の構築事例について紹介します。 ※ レコメンドシステムの開発ではプライバシーポリシー の範囲内で取得したデータを用いて行っています。 Yahoo!ショッピングのレコメンドについて レコメンドとは端的にいうとユーザーの興味がありそうな商品を薦める機能のことで、Yahoo!ショッピング内のさまざ
＜写真はイメージです＞ 日々、目まぐるしく進化、発展を遂げるAI（人工知能）業界。さまざまな企業が新しいサービスを開始したり、実験に取り組んだりしている。 そこで本稿ではLedge.aiで取り上げた、これだけは知っておくべきAIに関する最新ニュースをお届けする。AIの活用事例はもちろん、新たな実証実験にまつわる話など、本稿を読んでおけばAIの動向が見えてくるはずだ。 青森県庁にAI議事録が導入、人工知能が会議の議事録を自動で作成1月9日、株式会社イグアスが販売するクラウド型AI議事録作成支援ソリューション「AI Minutes for Enterprise」が青森県庁で採用が決定したと発表された。 青森県庁では日常的に多くの会議が実施され、その議事録手作業で作成している現状では、職員は文字起こしという単純作業に多くの時間を費やさざるを得ず、そのために残業時間が多くなり、ほかの業務を圧迫して
第70回 Machine Learning 15minutes! Broadcastというイベントでお話する内容です。 ジョブレコメンデーション系の論文とか実務でやっていることを色々共有します。Read less
サービス開発の手法や考え方について、知見や学びを共有する勉強会である「Cookpad Product Kitchen」。2019年9月25日に開催された第4回のテーマは「ユーザー体験を支える検索・マッチング技術」だ。サービス内にどれほど有益なデータがあったとしても、ユーザーがそこに到達できなければ、利便性を享受できない。いわば、検索・マッチングの技術がサービスの印象そのものを決定づけるのだ。では、有名サービスの開発・運用に携わるエンジニアたちは、いかなる手法を用いてデータとユーザーの橋渡しを行っているのか。クックパッド、メルカリ、エウレカの3社がそのノウハウを明かした。 ※本記事に記載されている数値などの情報はいずれも、イベント開催時点のもの。 「クックパッドのレシピ検索とレシピコミュニティ」 クックパッド株式会社 VP of Search 兼山元太氏 料理レシピ投稿・検索サービス「クック
【2019 MLEインターンシップ】機械学習で旅行をプランニングする - Platinum Data Blog by BrainPad
ブレインパッドでは毎年学生向けのインターンシップを開催しています。今年も、昨年に続いて「機械学習エンジニア（Machine Learning Engineer, MLE）コース」を実施し、今回は3名がインターンシップに参加しました。その取り組みと成果をご紹介します！ こんにちは、アナリティクスサービス本部AIプラクティス部の伊藤です。 今回は、今年の8月末から9月にかけて実施した機械学習エンジニアコースのインターンシップの内容についてお伝えします。 はじめに インターンの紹介と取り組みテーマ インターンシップの進め方 最終報告会 宿泊先のレコメンド（恒川さん） 周遊プランニング（藤原さん） 寄り道先のランキング（佐藤さん） 懇親会 まとめ はじめに 今年は「機械学習による旅行プランニング」というテーマで1か月間のインターンシップを実施しました。京都と名古屋から、3名の方がインターンシップに
Recommendations AI で高度にパーソナライズされたオンライン ショッピングを | Google Cloud 公式ブログ
※この投稿は米国時間 2020 年 7 月 23 日に、Google Cloud blog に投稿されたものの抄訳です。 デジタルへの移行が着々と進む現在、とりわけ小売業界では、高度にパーソナライズされたショッピング エクスペリエンスをオンラインのお客様に提供することが、顧客ロイヤルティを獲得するうえで重要になっています。特に、おすすめの商品情報は、お客様の嗜好や好みに合った商品が見つけやすくなるため、カスタマー エクスペリエンスをパーソナライズする効果的な方法です。 Google には、YouTube や Google 検索などの主要な商品を通じて、長年にわたって質の高いおすすめ情報を提供してきた実績があります。Recommendations AI は、こうした豊富なエクスペリエンスを活かしたサービスです。企業が幅広いお客様に対して、高度にパーソナライズされたおすすめの商品情報を提供でき
レッジはAI特化型メディア「Ledge.ai」を運営するほか、ハウスコム社とのようにAIソリューションの企画・開発にも携わっています。 全国約1万人の匿名ユーザーから得た情報をベースにモデル構築賃貸物件を探す際は、街やエリアを指定し、希望する条件から物件を絞り込んでいくことが一般的です。ですが、今回リリースしたAIアシスタントツール「ハウスコム ライフスタイルサーチ」では、ユーザーの趣味嗜好や生活スタイルから“街”そのものをサジェストします。 「どんな時間を大切にしたい？」といった、一見すると物件検索には直接関係のないような選択肢に答えることで、これまで知らなかった街の魅力と出会えることを目的にしています。 ハウスコム ライフスタイルサーチでは、まず全国約1万人の匿名ユーザーから得た嗜好・属勢用法をベースに分類モデルを構築しました。そして、「自身と嗜好の似た人が好きな/住みたい街」をサジェ
Amazon Personalize を使用してレコメンドエンジンを作成する | Amazon Web Services
Amazon Web Services ブログ Amazon Personalize を使用してレコメンドエンジンを作成する 本日のブログは、Inawisdom より AWS ソリューションアーキテクトのリードである Phil Basford 氏によるゲストブログ投稿です。 re:Invent 2018 にて AWS は Amazon Personalize を発表しました。これは初めてのレコメンデーションエンジンを迅速に稼働させることを可能にし、エンドユーザーやビジネスが価値を即座に実現できるようにするものです。データサイエンスへの理解が深まるほど (すでに理解している場合でも)、Amazon Personalize が持つ層の厚い機能を活用してレコメンデーションを改善していくことが可能です。 Inawisdom で働いていているうちに、私は機械学習 (ML) とディープラーニングの用途
推薦/情報検索システムにおける バイアス除去と不偏学習 Unbiased Learning for Interactive Systems - last updated: 2020/07 齋藤優太 (Yuta Saito)
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
Anewsの裏側で動く、自然言語処理を活用したビジネスニュースの推薦システム
近傍探索ライブラリ「Annoy」のコード詳解 - ZOZO TECH BLOG
レコメンデーション領域における横断データ活用の取り組み事例紹介 #機械学習
行動ログデータからのユーザーアンケート予測モデルを作り、ユーザーの嗜好分類をする - エムスリーテックブログ
読者の行動データを用いたnote記事レコメンドをリファクタリングした話｜むっそ
Amazon Personalizeでレコメンドしてみる話 - Qiita
【完全解説】TikTokが米国市場でも伸びている理由｜Off Topic - オフトピック
量子コンピュータにメイド喫茶をオススメしてもらった - Qiita
タイミーにおける H3を活用したレコメンドの改善事例
「新しいおうち探し」のためのAIアシスト検索 〜 Yahoo!不動産の技術紹介
もしも推薦システムの精度と多様性が単一の指標で測れたら
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
TensorFlow Recommenderで映画のレコメンダーシステムを構築
Two-Towerモデルと近似最近傍探索による候補生成ロジックの導入
Diversity(多様性)のある推薦システムとは何か？ | Wantedly Engineer Blog
文書のランキングは情報推薦なのか？ - Qiita
Mozilla、有害と批判されるYouTubeのレコメンデーションを調査へ
noteの機械学習フローを共通化してレコメンデーションで成果をあげた話｜やすけん / yskn67
自作レコメンドで最適な読書体験をしたい - にほんごのれんしゅう
Introducing TensorFlow Recommenders
大規模レコメンドシステムの構築とレイテンシ改善 〜 Yahoo!ショッピングの事例
保育士不足の解決のためにAI使う保育園：人工知能ニュースまとめ10選 | Ledge.ai
実務と論文で学ぶジョブレコメンデーション最前線2022
ユーザー体験を支える検索・マッチング技術はどう作られる？ クックパッド、メルカリ、エウレカがノウハウを披露
質問の回答から「オススメの街」をAIが提案する新たな物件探しサービス、レッジがハウスコムと開発 | Ledge.ai
推薦/情報検索システムにおけるバイアス除去と不偏学習 - Google スライド
chaiko-cats.hatenablog.jp
powerspot-japan.hatenablog.com
www.newsweekjapan.jp/pakkun
osusume.mynavi.jp
www.urban-research.jp
www.bk.mufg.jp