レコメンドプラットフォーム開発

レコメンド基盤技術は、歴史も古くある程度枯れた技術として知られています。しかし、レコメンド基盤の需要はモバイルも含めてさらに高くなってきており、今までの技術の問題点もはっきりしてきています。

NTTPCでは、既存のレコメンド技術にとらわれない、新しいロジックの研究・開発を行ってきました。 レコメンド基盤とは、特定のロジックにより、ユーザ（利用者）に対して価値のあるアイテムを自動的にPush（薦める）システムのことを指します。

レコメンド方式種別概要一覧

レコメンド方式種別	理解度計算利用	RDF構造	ルールベースフィルタリング	協調フィルタリング	コンテンツベースフィルタリング（ベイジアン）
概要説明	レコメンドシステムにおいて、エンドユーザに紐付くキーワードから、エンドユーザがそのキーワード分野・業界に対してどれくらいの理解をしているか（理解度）を計算により数値化し、その理解度に合わせて、事前に分類させれていた、アイテムやアイテムに対する説明内容をPushする。	アイテムとそのアイテムに対する記事から、アイテムに対するRDF構造を作成し、あるアイテムから関連（述語）のはっきりしたアイテムをPushする。（※）RDFは主語・目的語・述語を持つ構造で、主語・目的語がアイテムとなる。	あらかじめ設定した独自ルールを元に、ユーザ属性情報とアイテム属性情報、もしくはアイテム属性情報同士をマッチングしてアイテムをPushするサービス側での作為てきなルールやデータ分析結果などを反映させる。（※）	ユーザのアイテムへの行動履歴を収集し、その行動履歴が似ているユーザを統計計算及びベクトル計算でグループ化し、グループ内の他ユーザの自分が行動を起こしていないアイテムをPushする。（※）アイテムについても同様のグルーピングが可能。	アイテム属性情報をベクトル化しベイズ推定計算を行い、類似したアイテムをPushする。またユーザのアイテムへの行動履歴から、ユーザの嗜好属性情報を自動生成し、同様のベイズ推定計算を行い類似するアイテムをPushする
理由付けロジック	ユーザとアイテムの理解度	アイテム間のRDF構造作成	サービス毎の独自ルール	行動履歴の確率統計計算による相関テーブル作成とベクトル計算	ベイズ推定計算（確率計算）
必要な情報・データ	アイテムマスタ（理解度によるグルーピング） キーワード知識DB（メディア記事等から生成）	アイテムマスタ アイテム間関連（メディア記事等から生成）	アイテムマスタ・属性情報 ユーザ情報・属性情報 独自ルール	アイテムマスタ ユーザ情報 ユーザ行動履歴	アイテムマスタ・属性情報 ユーザ情報 ユーザ行動履歴
機能	ユーザ→アイテム	アイテム→アイテム	ユーザ→アイテム アイテム→アイテム	ユーザ→アイテム アイテム→アイテム	アイテム→アイテム ユーザ→アイテム
レコメンドの良し悪し (精度の上げ方）	キーワード知識DBの精度を高めて精度を上げる	関連付けされる記事の質を高めて精度を上げる	トライアンドエラーで精度を上げていく	トライアンドエラーで精度を上げていく	トライアンドエラーで精度を上げていく
レコメンド精度の 主幹	キーワード知識DBの元となる精度の高いメディアからの記事を集めることでASP側であげることが可能	関連コンテンツを沢山集めることでASP側で精度が上げられる	自前で精度を上げる必要がある	自前で精度を上げる必要がある	自前で精度を上げる必要がある
理由の分かりやすさ	ユーザの理解度に合わせて説明も表示することが可能なので、分かりやすい	記事が関連付けを表しているので分かりやすい	設定したルールに依存(分かりやすいものから分かり難いものまである）	数値での結果なので、分かり難い（●●を買った人は・・・のような補足が必要）	数値での結果なので、分かり難い（●●と似てる商品は・・・のような補足が必要）
開始時の精度	○	○	○ （動的ルールを採用すると×）	×	○
取り扱えるアイテム数	△	△	○	△	×
チューニングを 直接的に出来るか	直接的に影響 （理解度計算のパラメータの設定が可能）	間接的に影響	直接的に影響 チューニング成果の判断はしやすい	間接的に影響 チューニング成果の判断がしづらい	間接的に影響 チューニング成果の判断がしづらい
チューニングの 自由度	高い	低い	高い	低い	低い
有効期限の 短いアイテム	弱い	弱い	適している	弱い	弱い
定番アイテム	適している	適している	普通	適している	普通
流行りものアイテム	弱い	適している	弱い	普通	弱い
限定商品／オリジナル	適している	普通	適している	弱い	弱い
時間帯限定	弱い	弱い	普通	弱い	普通
ジャンル依存度	高い	低い	低い	高い	高い