NewsPicksでプッシュ通知にレコメンドエンジンを導入した設計方針 - Uzabase for Engineers
こんにちは、ソーシャル経済メディア「NewsPicks」の高山です。 この記事は NewsPicks アドベントカレンダー 2023 の15日目の記事です。 昨日は森田さんによる『メディアのミッションによって"良い"ニュース推薦システムって違うのかも! n週連続推薦システム系 論文読んだシリーズ32週目(番外編)メディアモデルと5つの多様性指標群の論文等を読んで思いを馳せた話』でした！ 以前にNewsPicksのプッシュ通知でBrazeというサービスを導入した話を書きました。 tech.uzabase.com 今回はそのシステムを改修し、通知にレコメンドエンジンを導入した話を書いていきます。 社内ドキュメント一歩手前ぐらい詳しくなってしまったので、もし皆さんが似たようなシステムを設計するときには読んでみてください。 おさらい まずは前回の記事にも書いた仕組み（旧システムと呼びます）をおさら
Python surprise で作る らくらく「レコメンドエンジン」（その１） – さくっと Surprise でレコメンドエンジンを作ってみよう！
それぞれのアルゴリズムが最適な状況は異なります。以下に、いくつかの主要なアルゴリズムとそれらが最適となる状況について説明します。 近傍法 (k-Nearest Neighbors)：評価値の分布が一様でなく、ユーザーやアイテム間に明確な関連性が存在する場合に有効です。 SVD (Singular Value Decomposition)：データセットが大きく、スパース性（欠損値が多い）が高い場合に適しています。 NMF (Non-negative Matrix Factorization)：SVDと同様。元の評価行列の全ての要素が非負（0以上）。 Slope One：スピーディーに妥当な精度の予測を行いたい場合に適しています。 Co-clustering：データセットが明確なクラスタ構造を持っているときに有効です。 推薦システム（レコメンドエンジン）を作る 流れ 取り急ぎ、以下の手順で作っ
LLMを活用したサービスを社内外でリリース・運用した経験のある3社のエンジニアが登壇し、実運用を経たからこそ見えた課題やその解決策、運用を見据えた設計・実装の知見などについて語る「LLM in Practice -3社の実例から見るLLM活用サービスを運用した課題と学び -」。ここで株式会社DROBEの岸本氏が登壇。「AIスタイリストさん」リリースの結果と、そこから得られた課題について紹介します。 セッションの概要 岸本将志氏（以下、岸本）：ありがとうございます。（スライドに）書いてあるタイトルで発表をします。内容は「2023年3月末ぐらいにChatGPTを使ってサービスをいったんリリースした」というものです。 「AIスタイリストさん」という名前でリリースしたんですが、その結果とそこで見えてきた課題、あとはそれ以外のビジネス化への課題に対応するために工夫したこととか、そのためにLLMと検索
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
「AIスタイリストさん」における“事前提案”の難しさ LLMと検索エンジンとレコメンドエンジンの協調で問題の解決を狙う