レコメンダシステム




レコメンダシステム（英: recommender system）は、情報フィルタリング (IF) 技法の一種で、特定ユーザーが興味を持つと思われる情報（映画、音楽、本、ニュース、画像、ウェブページなど）、すなわち「おすすめ」を提示するものである。通常のレコメンダシステムは、ユーザーのプロファイルを何らかのデータ収集基準と比較検討し、ユーザーが個々のアイテムにつけるであろう評価を予測する。基準は情報アイテム側から形成する場合（コンテンツベースの手法）とユーザーの社会環境から形成する場合（協調フィルタリングの手法）がある。




目次






  • 1 概要


  • 2 アルゴリズム


  • 3 具体例


  • 4 関連項目


  • 5 脚注・出典


  • 6 参考文献


  • 7 外部リンク


    • 7.1 研究グループ


    • 7.2 ワークショップ


    • 7.3 ACM Recommender Systems Series


      • 7.3.1 学会誌特集号









概要


ユーザーのプロファイルを構築するとき、データ収集の明示的部分と暗黙的部分を区別する。


明示的データ収集には次のようなものがある。



  • ユーザーにあるアイテムの評価を付けてもらう（例えば5段階評価）。

  • ユーザーに一群のアイテムを好きか嫌いかランク付けしてもらう。

  • ユーザーに2つのアイテムを提示し、好きなほうを選んでもらう。

  • ユーザーに好きなアイテムの一覧を作ってもらう。


暗黙的データ収集には次のようなものがある。



  • オンラインストアでユーザーがアイテムを参照する様子を観察する。

  • 各アイテムを見ていた時間を分析する[1]。

  • ユーザーがオンラインで購入したアイテムの記録を保持しておく。

  • ユーザーがオンラインで視聴したアイテムの一覧を入手する。

  • ユーザーの社会的ネットワークを分析し、好みを発見する。


レコメンダシステムはこのようにして集めたデータを他のデータと比較し、そのユーザーへのお勧めアイテムの一覧を計算する。商用または非商用のいくつかの例が協調フィルタリングの項目にある。Adomavicius はレコメンダシステムの概要を論じている[2]。Herlocker はレコメンダシステムの評価技法の概要を論じている[3]。


レコメンダシステムは、ユーザーが自力では見つけられないアイテムを提示できる可能性があり、情報検索の有益な代案となっている。レコメンダシステムは標準的でないデータに索引をつけた検索エンジンを使って実装されているものが多い。



アルゴリズム


レコメンダシステムでよく使われているアルゴリズムとして最近傍探索がある[4]。社会的ネットワークにおいて、特定ユーザーに近い上位N個の近傍（に重みを付けたもの）との相関係数を計算することでその嗜好（指向）空間での近傍がわかる。ユーザーの嗜好はそのデータをある技法で計算することで予測できる。


Netflix Prize は1億以上の映画格付け情報を集め、それに対して最も正確な検索を行った新規アルゴリズムに100万ドルを与えるものである。2007年の最も正確なアルゴリズムは、107個のアルゴリズムを組み合わせて1つの予測を導いていた[5]。



Predictive accuracy is substantially improved when blending multiple predictors. Our experience is that most efforts should be concentrated in deriving substantially different approaches, rather than refining a single technique. Consequently, our solution is an ensemble of many methods.




（上記の和訳）予測の正確さは、複数の予測を混合するときに大幅に高められる。我々の経験によれば、1つの技法を改良するよりも、複数の異なる技法を新たに生み出す方がよい。その結果、我々の解法は多数の手法の寄せ集めとなった。




具体例




  • Amazon.com （オンライン小売業、おすすめ商品を提示）


  • Last.fm （音楽サービス）


  • ネットフリックス （DVDレンタルサービス）


  • Reddit （ニュース・レコメンデーション・システム）


  • TSUTAYA DISCAS（DVD、CDレンタルサービス）



関連項目



  • 協調フィルタリング

  • 集団的知性

  • ロングテール



脚注・出典





  1. ^ Parsons, J.; Ralph, P.; Gallagher, K. (July 2004), Using viewing time to infer user preference in recommender systems., AAAI Workshop in Semantic Web Personalization, San Jose, California .


  2. ^ Adomavicius, G.; Tuzhilin, A. (June 2005), “Toward the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions”, IEEE Transactions on Knowledge and Data Engineering 17 (6): 734–749, doi:10.1109/TKDE.2005.99, http://portal.acm.org/citation.cfm?id=1070611.1070751 .


  3. ^ Herlocker, J. L.; Konstan, J. A.; Terveen, L. G.; Riedl, J. T. (January 2004), “Evaluating collaborative filtering recommender systems”, ACM Trans. Inf. Syst. 22 (1): 5–53, doi:10.1145/963770.963772, http://portal.acm.org/citation.cfm?id=963772 .


  4. ^ Sarwar, B.; Karypis, G.; Konstan, J.; Riedl, J. (2000), Application of Dimensionality Reduction in Recommender System A Case Study, http://glaros.dtc.umn.edu/gkhome/node/122 .


  5. ^ R. Bell, Y. Koren, C. Volinsky (2007年). “"The BellKor solution to the Netflix Prize"”. 2009年5月27日閲覧。




参考文献



  • Hangartner, Rick, "What is the Recommender Industry?", MSearchGroove, December 17, 2007.

  • Robert M. Bell, Jim Bennett, Yehuda Koren, and Chris Volinsky (2009年5月). “The Million Dollar Programming Prize”. IEEE Spectrum. 2009年5月27日閲覧。



外部リンク



  • Collection of research papers


  • Content-Boosted Collaborative Filtering for Improved Recommendations. Prem Melville, Raymond J. Mooney, and Ramadass Nagarajan


  • Methods and Metrics for Cold-Start Recommendations (PDF, 126 KiB)



研究グループ



  • GroupLens

  • IFI DBIS Next Generation Recommender Systems

  • IISM

  • Univ. of Southampton IAM Group

  • CoFE

  • Duine Recommender Framework

  • LIBRA

  • Intelligent Systems and Business Informatics research group at University Klagenfurt, Austria

  • Univ. of Fribourg Statistical Physics Group



ワークショップ



  • ECAI 2008 Workshop on Recommender Systems

  • ECAI 2006 Workshop on Recommender Systems

  • ACM SIGIR 2001 Workshop on Recommender Systems

  • ACM SIGIR '99 Workshop on Recommender Systems

  • CHI' 99 Workshop Interacting with Recommender Systems



ACM Recommender Systems Series



  • RecSys 2009, October 22-25, New York City

  • RecSys 2008

  • RecSys 2007: home page, proceedings



学会誌特集号



  • ACM Transactions on the Web Special issue on Recommenders on the Web

  • AI Communications Special issue on Recommender Systems

  • IEEE Intelligent Systems Special Issue on Recommender Systems, Vol. 22(3), 2007

  • International Journal of Electronic Commerce Special Issue on Recommender Systems, Volume 11, Number 2 (Winter 2006-07)

  • ACM Transactions on Computer-Human Interaction (TOCHI) Special Section on Recommender Systems Volume 12, Issue 3 (September 2005)

  • ACM Transactions on Information Systems (TOIS) Special Issue on Recommender Systems, Volume 22, Issue 1 (January 2004)

  • Journal of Information Technology and Tourism Special issue on Recommender Systems, Volume 6, Number 3 (2003)

  • Communications of the ACM Special issue on Recommender Systems, Volume 40, Issue 3 (March 1997)




Popular posts from this blog

Can a sorcerer learn a 5th-level spell early by creating spell slots using the Font of Magic feature?

Image
28 6 $begingroup$ Per the Font of Magic feature, sorcerer can use Flexible Casting to create 5th-level spell slots at level 7, even though they are not typically available until level 9. You can transform unexpended sorcery points into one spell slot as a bonus action on your turn. The Creating Spell Slots table shows the cost of creating a spell slot of [5th level is 7] If such a sorcerer levels up while still having this 5th-level spell slot, can they choose a 5th-level spell as the spell they gain upon levelling up? The Spellcasting feature states: Additionally, when you gain a level in this class, you can choose one of the sorcerer spells you know and replace it with another spell from the sorcerer spell list, which also must be of a level for which you have spell slots.
Read more

Does disintegrating a polymorphed enemy still kill it after the 2018 errata?

Image
up vote 13 down vote favorite 1 After the 2018 errata, the disintegrate spell description now reads: A creature targeted by this spell must make a Dexterity saving throw. On a failed save, the target takes 10d6 + 40 force damage. The target is disintegrated if this damage leaves it with 0 hit points. If you were to polymorph an enemy into a rat and then disintegrate it, would the enemy be disintegrated or would it just return to its original form? I know that for Druids, it’s not an instant kill anymore, but is this the case for polymorph as well? dnd-5e spells polymorph errata share | improve this question edited 18 hours ago
Read more

A Topological Invariant for $pi_3(U(n))$

Image
3 3 $begingroup$ Recently, I saw a construction of topological invariant for $pi_3(U(n))$ with $ngeq 2$ : $$ N=frac{1}{24pi^2}int_{S^3} d^3x epsilon^{ijk} Tr[(U^{-1}partial_{x_i}U)(U^{-1}partial_{x_j}U)(U^{-1}partial_{x_k}U)] , $$ where $Uin U(n)$ depends on $boldsymbol{x}=(x_1,x_2,x_3)in S^3$ , $epsilon^{ijk}$ is the Levi-Civita symbol, $i,j,k=1,2,3$ , and the duplicated indexes are summed over. It is claimed that $N$ is an integer, but why? Update 02/02/2019 I think I got an argument for $n=2$ . In this case, $U=e^{i varphi} q$ with $qin SU(2)$ . Due to the trace and the Levi-Civita symbol in $N$ , $varphi$ does not contribute to $N$ . As $Tr[q^{dagger}partial_i q]=0$ and $(q^{dagger}partial_i q)^{dagger}=-q^{dagger}partial_i q$ , $q^{dagger}partial_i q$ in geneeral has the form $q^{dagger}partia
Read more