「関連する○○」機能を手軽に実現できる。そう、Elasticsearch ならね。 - クックパッド開発者ブログ
セコン (id:secondlife, @hotchpotch) です。ウェブサービスにはよく「このエントリーに関連するブログ記事」や「このレシピに関連するレシピ」という機能が実現されてますよね。さて、この機能はどのように実現すれば良いでしょうか。例えば tf-idf で単語の類似度を求め…といった実装が必要になり、いささか面倒です。 しかしながら Elasticsearch や Solr *1を使うと手軽に実現できます。例えば、クックパッドニュースの記事では Solr を使い「この記事を読んだ人におすすめ」の機能に、最近クックパッドにジョインしたインドネシアの会社の DapurMasak では Elasticsearch を使い「Resep serupa(関連レシピ)」の機能で利用しています。 クックパッドニュースでのこの記事を読んだ人におすすめ DapurMasak での関連レシピ 使
関心度(Frequency)と忘却度(Recency)に 基づくレコメンド手法
オペレーションズ・リサーチ学会 秋季発表会 関心度(Frequency)と忘却度(Recency)に 基づくレコメンド手法 -サンプリングでは対応できないビッグデータの活用- 2013 年 9 月 12 日 株式会社 NTTデータ数理システム *岩永二郎 鍋谷昴一 梶原悠 五十嵐健太 お知らせ 社名変更 2013年9月1日をもって 「数理システム」から「NTTデータ数理システム」に 社名変更しました． 移転 2013年9月1日をもって 「東京都新宿区新宿２丁目４－３フォーシーズンビル１０階」 から 「東京都新宿区信濃町３５番地 信濃町煉瓦館１階」 に移転しました． 近くにお越しの際には是非ともお立ち寄りください 2013/9/12 オペレーションズ・リサーチ学会 秋季発表会 2 本日と内容 １．はじめに ２．課題の紹介 ３．分析の概要 ４．関心度と忘却度に基づくレコメンド手法 ５．過学習の
RubyのレコメンドエンジンRecommendifyを試してみる - さかなチキンぱん。
以前ユーザー毎のアクセス履歴を、Googleアナリティクスに記録する為のライブラリmeron.history.js を書いた。 今回はこの記録された履歴を利用して、このブログの各エントリー毎のオススメ記事を算出してみたい。 使ってみたのはRubyのレコメンドライブラリRecommendify。 Redisを利用してコメンデーションする為、軽快に動作するのが売りなライブラリらしい。 手順は次の通り GoogleアナリティクスのCore Reporting API からアクセス履歴を取得 アクセス履歴を元にRecommendifyでレコメンドする レコメンド結果を表示 前提として事前にmeron.history.jsである程度の期間、ユーザーのアクセス履歴をトラッキングして置く必要がある (Core Reporting APIの利用には、前回の記事GoogleアナリティクスAPIの承
第5回 増え続ける情報とどう向き合うか――「代官山 蔦屋書店」が目指す未来の本屋
第5回 増え続ける情報とどう向き合うか――「代官山 蔦屋書店」が目指す未来の本屋：【連載】ビッグデータアナリティクス時代のデジタルマーケティング（1/2 ページ） 増え続けるデータをコストとはとらえず活用することで、収益につなげる――。ビッグデータでよく語られるストーリーだが、1つ重要な視点が抜けている。「顧客」にとっての価値は何なのかという点である。「ビッグデータ時代は、プライバシーを対価として商品やサービスを安く手に入れられる」。確かにそういった視点もあるとは思うが、それだけでは「顧客」にとっては「不安」の方が大きいように思う。 今回は、情報爆発時代に「顧客は何を解決してもらいたいのか」を突き詰めた「代官山 蔦屋書店」を取材した。そこには「人間」を中心として「増え続ける情報とどう向き合うか」がデザインされた、未来の本屋の姿があった。 ターゲットは「大人を変える大人たち」：「代官山 蔦屋
パーソナライズメール実装プロジェクトの舞台裏 ─ リクルート式ビッグデータのビジネス活用最前線
『MarkeZine』が主催するマーケティング・イベント『MarkeZine Day』『MarkeZine Academy』『MarkeZine プレミアムセミナー』の 最新情報をはじめ、様々なイベント情報をまとめてご紹介します。 MarkeZine Day
Apache Mahout で単純なレコメンドを実施 - Groovy - なんとなくな Developer のメモ
Groovy で機械学習ライブラリの Apache Mahout を使った単純なレコメンド処理を試してみました。 Apache Mahout 0.5 サンプルソースは http://github.com/fits/try_samples/tree/master/blog/20111113/ レコメンド処理の実装 Apache Mahout の基本的なレコメンド処理は、入力データを抽象化した DataModel をレコメンド処理を抽象化した Recommender に設定して recommend メソッドにレコメンド対象のユーザーIDとレコメンドアイテム数を指定するだけです。 今回は以下のような CSV ファイルを入力データとする FileDataModel と GenericItemBasedRecommender を使ってみました。 入力 CSV ファイルフォーマット <ユーザーID>,
小規模ECサイトのレコメンド[理論編] - haseの日記
現在のようにHadoopが使えるようになった今、大規模サイトではバッチで分散処理をすべきです。 しかし、小規模サイトの場合、そもそも計算するべきログが少ないため、わざわざ分散処理をするまでもありません。 ある程度リアルタイムに処理することを考えます。 そこで今回はまず簡単なレコメンドの考え方を説明します。 レコメンドのアルゴリズムは基本的には協調フィルタリングを用います。 しかし、小規模サイトの場合、ログが少ないため、それだけではコールドスタート問題が起きてしまいます。だから、ログが十分に得れない場合はコンテンツベースでレコメンドすべきです。 協調フィルタリングを使うと、「思わぬ気づき（セレンディピティ）」を与えることができますが、コンテンツベースでは「当然の結果」を返すことができます。このことを考えると、できるだけ協調フィルタリングを用いたほうが、おもしろいレコメンドをユーザーにすること
![小規模ECサイトのレコメンド[理論編] - haseの日記](https://cdn-ak-scissors.b.st-hatena.com/image/square/40c7cc312d825cb425d3e5d270164a9020df5351/height=288;version=1;width=512/https%3A%2F%2Fcdn.image.st-hatena.com%2Fimage%2Fscale%2Fd2339079ca5e33a0edebf4c24d65d8684db2cdb5%2Fbackend%3Dimagemagick%3Bheight%3D1300%3Bversion%3D1%3Bwidth%3D1300%2Fhttps%253A%252F%252Fcdn-ak.f.st-hatena.com%252Fimages%252Ffotolife%252Fh%252Fhase1031%252F20111120%252F20111120123110.png)
小規模ECサイトのレコメンド[実装編] - haseの日記
前回は理論について考えました。 今回は実装の方法を考えます。 前回書いたとおり、データ数が少ないために、なるべくリアルタイムに処理をします。 １日１回夜中にバッチ処理で計算するよりも、正確な情報を与えることができます。 基本的な考え方 １．初めてのアクセスには、データを使って計算し、APIを使ってajaxで表示する。 ２．ある一定期間内の２回目のアクセスにはキャッシュで対応する。 ３．ある一定期間が過ぎたら１に戻る 詳しいコードは事情により書けないので、部分部分書きたいと思います。 実装について まずは、表示したい商品ページの商品IDと、それを買ったユーザーIDをDBから取ってきます。 クエリ的には、"SELECT itemId, userId FROM orders WHERE userId IN (SELECT userId FROM orders WHERE itemId = 〇〇"
![小規模ECサイトのレコメンド[実装編] - haseの日記](https://cdn-ak-scissors.b.st-hatena.com/image/square/e46a24121e51d7d8012da7ce9608c697203bfa36/height=288;version=1;width=512/https%3A%2F%2Fogimage.blog.st-hatena.com%2F17680117127176488514%2F17680117127176496309%2F1559270509)
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
Facebookが実現する「パーソナライズド・ウェブ」｜イケハヤ大学【ブログ版】