Enviar búsqueda
Cargar
協調フィルタリング入門
•
55 recomendaciones
•
46,670 vistas
hoxo_m
Seguir
機械学習とかの知識を全く持たないエンジニアさん向けの導入資料です。
Leer menos
Leer más
Datos y análisis
Denunciar
Compartir
Denunciar
Compartir
1 de 35
Recomendados
情報推薦システム入門:講義スライド
情報推薦システム入門:講義スライド
Kenta Oku
推薦アルゴリズムの今までとこれから
推薦アルゴリズムの今までとこれから
cyberagent
レコメンドアルゴリズムの基本と周辺知識と実装方法
レコメンドアルゴリズムの基本と周辺知識と実装方法
Takeshi Mikami
協調フィルタリングを利用した推薦システム構築
協調フィルタリングを利用した推薦システム構築
Masayuki Ota
トピックモデルの評価指標 Perplexity とは何なのか?
トピックモデルの評価指標 Perplexity とは何なのか?
hoxo_m
AWSではじめるMLOps
AWSではじめるMLOps
MariOhbuchi
Active Learning 入門
Active Learning 入門
Shuyo Nakatani
ベイジアンネットとレコメンデーション -第5回データマイニング+WEB勉強会@東京
ベイジアンネットとレコメンデーション -第5回データマイニング+WEB勉強会@東京
Koichi Hamada
Recomendados
情報推薦システム入門:講義スライド
情報推薦システム入門:講義スライド
Kenta Oku
推薦アルゴリズムの今までとこれから
推薦アルゴリズムの今までとこれから
cyberagent
レコメンドアルゴリズムの基本と周辺知識と実装方法
レコメンドアルゴリズムの基本と周辺知識と実装方法
Takeshi Mikami
協調フィルタリングを利用した推薦システム構築
協調フィルタリングを利用した推薦システム構築
Masayuki Ota
トピックモデルの評価指標 Perplexity とは何なのか?
トピックモデルの評価指標 Perplexity とは何なのか?
hoxo_m
AWSではじめるMLOps
AWSではじめるMLOps
MariOhbuchi
Active Learning 入門
Active Learning 入門
Shuyo Nakatani
ベイジアンネットとレコメンデーション -第5回データマイニング+WEB勉強会@東京
ベイジアンネットとレコメンデーション -第5回データマイニング+WEB勉強会@東京
Koichi Hamada
全力解説!Transformer
全力解説!Transformer
Arithmer Inc.
【DL輪読会】時系列予測 Transfomers の精度向上手法
【DL輪読会】時系列予測 Transfomers の精度向上手法
Deep Learning JP
大規模な組合せ最適化問題に対する発見的解法
大規模な組合せ最適化問題に対する発見的解法
Shunji Umetani
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
mlm_kansai
研究分野をサーベイする
研究分野をサーベイする
Takayuki Itoh
SSII2020SS: 微分可能レンダリングの最新動向 〜「見比べる」ことによる3次元理解 〜
SSII2020SS: 微分可能レンダリングの最新動向 〜「見比べる」ことによる3次元理解 〜
SSII
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
hoxo_m
DSIRNLP#1 ランキング学習ことはじめ
DSIRNLP#1 ランキング学習ことはじめ
sleepy_yoshi
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
Shota Imai
【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Models
cvpaper. challenge
Amazon SageMaker で始める機械学習
Amazon SageMaker で始める機械学習
Amazon Web Services Japan
研究効率化Tips Ver.2
研究効率化Tips Ver.2
cvpaper. challenge
実務と論文で学ぶジョブレコメンデーション最前線2022
実務と論文で学ぶジョブレコメンデーション最前線2022
Teruyuki Sakaue
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
RyuichiKanoh
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
MLflowで学ぶMLOpsことはじめ
MLflowで学ぶMLOpsことはじめ
Kenichi Sonoda
Triplet Loss 徹底解説
Triplet Loss 徹底解説
tancoro
グラフデータ分析 入門編
グラフデータ分析 入門編
順也 山口
【DL輪読会】マルチエージェント強化学習における近年の 協調的方策学習アルゴリズムの発展
【DL輪読会】マルチエージェント強化学習における近年の 協調的方策学習アルゴリズムの発展
Deep Learning JP
強化学習その2
強化学習その2
nishio
Matrix Factorizationを使った評価予測
Matrix Factorizationを使った評価予測
JAVA DM
Elasticsearchと機械学習を実際に連携させる
Elasticsearchと機械学習を実際に連携させる
nobu_k
Más contenido relacionado
La actualidad más candente
全力解説!Transformer
全力解説!Transformer
Arithmer Inc.
【DL輪読会】時系列予測 Transfomers の精度向上手法
【DL輪読会】時系列予測 Transfomers の精度向上手法
Deep Learning JP
大規模な組合せ最適化問題に対する発見的解法
大規模な組合せ最適化問題に対する発見的解法
Shunji Umetani
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
mlm_kansai
研究分野をサーベイする
研究分野をサーベイする
Takayuki Itoh
SSII2020SS: 微分可能レンダリングの最新動向 〜「見比べる」ことによる3次元理解 〜
SSII2020SS: 微分可能レンダリングの最新動向 〜「見比べる」ことによる3次元理解 〜
SSII
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
hoxo_m
DSIRNLP#1 ランキング学習ことはじめ
DSIRNLP#1 ランキング学習ことはじめ
sleepy_yoshi
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
Shota Imai
【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Models
cvpaper. challenge
Amazon SageMaker で始める機械学習
Amazon SageMaker で始める機械学習
Amazon Web Services Japan
研究効率化Tips Ver.2
研究効率化Tips Ver.2
cvpaper. challenge
実務と論文で学ぶジョブレコメンデーション最前線2022
実務と論文で学ぶジョブレコメンデーション最前線2022
Teruyuki Sakaue
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
RyuichiKanoh
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
MLflowで学ぶMLOpsことはじめ
MLflowで学ぶMLOpsことはじめ
Kenichi Sonoda
Triplet Loss 徹底解説
Triplet Loss 徹底解説
tancoro
グラフデータ分析 入門編
グラフデータ分析 入門編
順也 山口
【DL輪読会】マルチエージェント強化学習における近年の 協調的方策学習アルゴリズムの発展
【DL輪読会】マルチエージェント強化学習における近年の 協調的方策学習アルゴリズムの発展
Deep Learning JP
強化学習その2
強化学習その2
nishio
La actualidad más candente
(20)
全力解説!Transformer
全力解説!Transformer
【DL輪読会】時系列予測 Transfomers の精度向上手法
【DL輪読会】時系列予測 Transfomers の精度向上手法
大規模な組合せ最適化問題に対する発見的解法
大規模な組合せ最適化問題に対する発見的解法
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
研究分野をサーベイする
研究分野をサーベイする
SSII2020SS: 微分可能レンダリングの最新動向 〜「見比べる」ことによる3次元理解 〜
SSII2020SS: 微分可能レンダリングの最新動向 〜「見比べる」ことによる3次元理解 〜
機械学習のためのベイズ最適化入門
機械学習のためのベイズ最適化入門
DSIRNLP#1 ランキング学習ことはじめ
DSIRNLP#1 ランキング学習ことはじめ
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Models
Amazon SageMaker で始める機械学習
Amazon SageMaker で始める機械学習
研究効率化Tips Ver.2
研究効率化Tips Ver.2
実務と論文で学ぶジョブレコメンデーション最前線2022
実務と論文で学ぶジョブレコメンデーション最前線2022
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
勾配ブースティングの基礎と最新の動向 (MIRU2020 Tutorial)
グラフィカルモデル入門
グラフィカルモデル入門
MLflowで学ぶMLOpsことはじめ
MLflowで学ぶMLOpsことはじめ
Triplet Loss 徹底解説
Triplet Loss 徹底解説
グラフデータ分析 入門編
グラフデータ分析 入門編
【DL輪読会】マルチエージェント強化学習における近年の 協調的方策学習アルゴリズムの発展
【DL輪読会】マルチエージェント強化学習における近年の 協調的方策学習アルゴリズムの発展
強化学習その2
強化学習その2
Destacado
Matrix Factorizationを使った評価予測
Matrix Factorizationを使った評価予測
JAVA DM
Elasticsearchと機械学習を実際に連携させる
Elasticsearchと機械学習を実際に連携させる
nobu_k
20140329 tokyo r lt 「カーネルとsvm」
20140329 tokyo r lt 「カーネルとsvm」
tetsuro ito
SMO徹底入門 - SVMをちゃんと実装する
SMO徹底入門 - SVMをちゃんと実装する
sleepy_yoshi
非制約最小二乗密度比推定法 uLSIF を用いた外れ値検出
非制約最小二乗密度比推定法 uLSIF を用いた外れ値検出
hoxo_m
fastTextの実装を見てみた
fastTextの実装を見てみた
Yoshihiko Shiraki
Elasticsearchプラグインの作り方
Elasticsearchプラグインの作り方
Shinsuke Sugaya
最新業界事情から見るデータサイエンティストの「実像」
最新業界事情から見るデータサイエンティストの「実像」
Takashi J OZAKI
Railsチュートリアルの歩き方 (第4版)
Railsチュートリアルの歩き方 (第4版)
Yohei Yasukawa
画像認識モデルを作るための鉄板レシピ
画像認識モデルを作るための鉄板レシピ
Takahiro Kubo
機械学習チュートリアル@Jubatus Casual Talks
機械学習チュートリアル@Jubatus Casual Talks
Yuya Unno
Destacado
(11)
Matrix Factorizationを使った評価予測
Matrix Factorizationを使った評価予測
Elasticsearchと機械学習を実際に連携させる
Elasticsearchと機械学習を実際に連携させる
20140329 tokyo r lt 「カーネルとsvm」
20140329 tokyo r lt 「カーネルとsvm」
SMO徹底入門 - SVMをちゃんと実装する
SMO徹底入門 - SVMをちゃんと実装する
非制約最小二乗密度比推定法 uLSIF を用いた外れ値検出
非制約最小二乗密度比推定法 uLSIF を用いた外れ値検出
fastTextの実装を見てみた
fastTextの実装を見てみた
Elasticsearchプラグインの作り方
Elasticsearchプラグインの作り方
最新業界事情から見るデータサイエンティストの「実像」
最新業界事情から見るデータサイエンティストの「実像」
Railsチュートリアルの歩き方 (第4版)
Railsチュートリアルの歩き方 (第4版)
画像認識モデルを作るための鉄板レシピ
画像認識モデルを作るための鉄板レシピ
機械学習チュートリアル@Jubatus Casual Talks
機械学習チュートリアル@Jubatus Casual Talks
Más de hoxo_m
Shinyユーザのための非同期プログラミング入門
Shinyユーザのための非同期プログラミング入門
hoxo_m
Prophet入門【理論編】Facebookの時系列予測ツール
Prophet入門【理論編】Facebookの時系列予測ツール
hoxo_m
Prophet入門【R編】Facebookの時系列予測ツール
Prophet入門【R編】Facebookの時系列予測ツール
hoxo_m
学習係数
学習係数
hoxo_m
Prophet入門【Python編】Facebookの時系列予測ツール
Prophet入門【Python編】Facebookの時系列予測ツール
hoxo_m
AJAXサイトの情報をWebスクレイピング
AJAXサイトの情報をWebスクレイピング
hoxo_m
高速なガンマ分布の最尤推定法について
高速なガンマ分布の最尤推定法について
hoxo_m
経験過程
経験過程
hoxo_m
確率論基礎
確率論基礎
hoxo_m
シンギュラリティを知らずに機械学習を語るな
シンギュラリティを知らずに機械学習を語るな
hoxo_m
階層モデルの分散パラメータの事前分布について
階層モデルの分散パラメータの事前分布について
hoxo_m
トピックモデルの評価指標 Coherence 研究まとめ #トピ本
トピックモデルの評価指標 Coherence 研究まとめ #トピ本
hoxo_m
トピックモデルによる統計的潜在意味解析読書会 3.7 評価方法 - 3.9 モデル選択 #トピ本
トピックモデルによる統計的潜在意味解析読書会 3.7 評価方法 - 3.9 モデル選択 #トピ本
hoxo_m
データの不備を統計的に見抜く (Gelman’s secret weapon)
データの不備を統計的に見抜く (Gelman’s secret weapon)
hoxo_m
カップルが一緒にお風呂に入る割合をベイズ推定してみた
カップルが一緒にお風呂に入る割合をベイズ推定してみた
hoxo_m
Stan で欠測データの相関係数を推定してみた
Stan で欠測データの相関係数を推定してみた
hoxo_m
チェビシェフの不等式
チェビシェフの不等式
hoxo_m
swirl パッケージでインタラクティブ学習
swirl パッケージでインタラクティブ学習
hoxo_m
RPubs とその Bot たち
RPubs とその Bot たち
hoxo_m
5分でわかるベイズ確率
5分でわかるベイズ確率
hoxo_m
Más de hoxo_m
(20)
Shinyユーザのための非同期プログラミング入門
Shinyユーザのための非同期プログラミング入門
Prophet入門【理論編】Facebookの時系列予測ツール
Prophet入門【理論編】Facebookの時系列予測ツール
Prophet入門【R編】Facebookの時系列予測ツール
Prophet入門【R編】Facebookの時系列予測ツール
学習係数
学習係数
Prophet入門【Python編】Facebookの時系列予測ツール
Prophet入門【Python編】Facebookの時系列予測ツール
AJAXサイトの情報をWebスクレイピング
AJAXサイトの情報をWebスクレイピング
高速なガンマ分布の最尤推定法について
高速なガンマ分布の最尤推定法について
経験過程
経験過程
確率論基礎
確率論基礎
シンギュラリティを知らずに機械学習を語るな
シンギュラリティを知らずに機械学習を語るな
階層モデルの分散パラメータの事前分布について
階層モデルの分散パラメータの事前分布について
トピックモデルの評価指標 Coherence 研究まとめ #トピ本
トピックモデルの評価指標 Coherence 研究まとめ #トピ本
トピックモデルによる統計的潜在意味解析読書会 3.7 評価方法 - 3.9 モデル選択 #トピ本
トピックモデルによる統計的潜在意味解析読書会 3.7 評価方法 - 3.9 モデル選択 #トピ本
データの不備を統計的に見抜く (Gelman’s secret weapon)
データの不備を統計的に見抜く (Gelman’s secret weapon)
カップルが一緒にお風呂に入る割合をベイズ推定してみた
カップルが一緒にお風呂に入る割合をベイズ推定してみた
Stan で欠測データの相関係数を推定してみた
Stan で欠測データの相関係数を推定してみた
チェビシェフの不等式
チェビシェフの不等式
swirl パッケージでインタラクティブ学習
swirl パッケージでインタラクティブ学習
RPubs とその Bot たち
RPubs とその Bot たち
5分でわかるベイズ確率
5分でわかるベイズ確率
協調フィルタリング入門
1.
協調フィルタリング入門 牧山 幸史
2.
推薦(レコメンド) • 推薦方法は大きく2つに分類される – 内容ベースフィルタリング –
協調フィルタリング
3.
推薦(レコメンド) • 推薦方法は大きく2つに分類される • 例:レンタルビデオ店 –
ファンである監督、好みのジャンルを利用者 に尋ねて、その条件に合ったものを選ぶ ⇒ 内容ベースフィルタリング – 映画の趣味が似ている知り合いに、面白かっ た映画を教えてもらう ⇒ 協調フィルタリング
4.
内容ベースフィルタリング 利用者 推薦システム • SFが好き •
スピルバーグ • 1990年代 アイテム データベース ジュラシック パ-ク ・スピルバーグ ・1993年 スタ- ウォーズ ・ルーカス ・1977年
5.
協調フィルタリング 利用者 推薦システム • SFが好き •
スピルバーグ • 1990年代 ジュラシック パ-ク スタ- ウォーズ キルビル • SFが好き • スピルバーグ • 1990年代 • SFが好き • ルーカス • 2000年代 • アクション • タランティーノ • 2000年代
6.
比較 協調フィルタ 内容ベース セレンディピティ ○
× ドメイン知識 ○:不要 ×:必要 Cold-start 問題 × △ 利用者数 ×:多数必要 ○:少数可 被覆率 × ○ 類似アイテム × ○ 少数派の利用者 × ○
7.
推薦(レコメンド) • 推薦方法は大きく2つに分類される – 内容ベースフィルタリング –
協調フィルタリング • 今回使用する手法は協調フィルタリング • ここからは、協調フィルタリングについ て詳しく見ていく
8.
協調フィルタリング 商品1 商品2 商品3
商品4 Aさん ○購入 ○購入 ×未購入 ○購入 Bさん ○購入 ○購入 ×未購入 ??? Bさんは商品4を購入しそう! ⇒ レコメンドしよう! 基本的な考え方
9.
協調フィルタリング D1 D2 D3
D4 D5 D6 D7 D8 D9 D10 A 1 1 0 0 0 1 0 0 0 0 0.17 B 0 0 1 1 0 0 0 0 0 1 -0.7 C 1 0 0 0 1 0 0 0 1 1 1.0 D 0 0 0 1 1 0 0 1 1 0 0.17 E 1 0 0 0 0 0 0 1 0 0 0.61 X 1 0 0 0 1 ??? ??? ??? ??? ??? 1=購入(好き) 0=未購入(嫌い) 嗜好データ
10.
協調フィルタリング D1 D2 D3
D4 D5 D6 D7 D8 D9 D10 A 1 1 0 0 0 1 0 0 0 0 0.17 B 0 0 1 1 0 0 0 0 0 1 -0.7 C 1 0 0 0 1 0 0 0 1 1 1.0 D 0 0 0 1 1 0 0 1 1 0 0.17 E 1 0 0 0 0 0 0 1 0 0 0.61 X 1 0 0 0 1 ??? ??? ??? ??? ??? 0 0 1 1 1 Xと似ているユーザ Xと似ているユーザが 買っている商品
11.
• 購入していないのは、嫌いだから? • 閲覧すらしていないかもしれない •
閲覧データを追加する
12.
協調フィルタリング D1 D2 D3
D4 D5 D6 D7 D8 D9 D10 A 1 1 0 0 0 1 - - - - 0.17 B - - 1 1 0 - 0 0 0 1 -1 C 1 0 0 0 1 0 0 - 1 1 1 D - - 0 1 1 0 0 1 1 0 0.5 E 1 0 0 0 0 - - 1 0 - 0.61 X 1 0 0 0 1 - - - - - 1 =購入 0 =閲覧したが未購入 -=閲覧していない
13.
協調フィルタリング D1 D2 D3
D4 D5 D6 D7 D8 D9 D10 A 1 1 0 0 0 1 - - - - 0.17 B - - 1 1 0 - 0 0 0 1 -1 C 1 0 0 0 1 0 0 - 1 1 1 D - - 0 1 1 0 0 1 1 0 0.5 E 1 0 0 0 0 - - 1 0 - 0.61 X 1 0 0 0 1 - - - - - 0 0 2 2 1 Xと似ているユーザが 買っている商品
14.
協調フィルタリング • ユーザの嗜好データを用いてレコメンドできた • 手順 1.
ユーザの嗜好データを取得する 2. 嗜好データに基づき、ユーザ間の類似度を算出 3. ターゲットのユーザに対して、似ているユーザ を抽出 4. 似ているユーザが購入している商品をレコメン ド
15.
協調フィルタリングの特長 • ドメイン知識を必要としない • 異なるジャンルをまたいだ推薦ができる •
利用者が多い場合に有利 • 商品が頻繁に入れ替わる場合は不利 ⇒ × Cold-Start 問題
16.
問題点 • 全ての商品をカバーできない ⇒ レコメンドに出てこない商品が存在 •
類似品をレコメンドする ⇒ 色違い・サイズ違いなど • 少数派問題 ⇒ 類似した嗜好の人がいなければ、嗜好を予測 できない
17.
Cold-Start 問題 • 新しい商品が推薦されない –
誰も購入していない商品は推薦されない • 新しいユーザに推薦できない – 登録してすぐのユーザは行動履歴が少ないた め、類似ユーザを見つけることができない
18.
Cold-Start 問題 • 新しいユーザに推薦できない •
解決案 – アイテム間型協調フィルタリング – クラスタリングベース協調フィルタリング • [Xue 05] “Scalable Collaborative Filtering Using Cluster-based Smoothing”
19.
アイテム間型 協調フィルタリング D1 D2 D3
D4 D5 D6 D7 D8 D9 D10 A 1 1 0 0 0 1 - - - - B - - 1 1 0 - 0 0 0 1 C 1 0 0 0 1 0 0 - 1 1 D - - 0 1 1 0 0 1 1 0 E 1 0 0 0 0 - - 1 0 - X 1 0 0 0 1 - - - - - 0.7 0.1 0.4 0.5 1.0 0.3 0.2 0.8 0.9 0.6 現在閲覧している商品に対して 商品(アイテム)間の類似度を計算し、 類似度の高いものを推薦する
20.
アイテム間型 協調フィルタリング • 欠点 – すべてのユーザに同じ商品が推薦される •
解決案 – ユーザ間協調フィルタリングの結果と混ぜる • どう混ぜる? – [Sawar 01] “ItemBased Collaborative Filtering Recommendation Algorithms”
21.
手順
22.
協調フィルタリング • ユーザの嗜好データを用いてレコメンドできた • 手順 1.
ユーザの嗜好データを取得する 2. 嗜好データに基づき、ユーザ間の類似度を算出 3. ターゲットのユーザに対して、似ているユーザ を抽出 4. 似ているユーザが購入している商品をレコメン ド
23.
1. 嗜好データの獲得 • 明示的データ獲得 –
ユーザに明示的に評価させる – YouTube のグッド – Amazon の星 • 暗黙的データ獲得 – 自動的に取得できる情報のみ使用 – 閲覧データ、購買データなど
24.
1. 嗜好データの獲得 明示的 暗黙的 データ量
×:少ない ○:多い データの正確さ ○:正確 ×:不正確 未評価と不支持 の区別 ○:明確 ×:不明瞭 利用者の認知度 ○:認知 ×:不認知
25.
暗黙的データ [Nichlos 97] 1.
Purchase 2. Assess 3. Repeated Use 4. Save/Print 5. Delete 6. Refer 7. Reply 8. Mark 9. Terminate Search 10. Examine/Read 11. Consider 12. Glimpse 13. Associate 14. Query
26.
2. ユーザ間の類似度算出 • 類似度の種類 –
ピアソン相関係数 – 強制ピアソン相関係数 – スピアマン順位相関係数 – ケンドールの τ 相関係数 – コサイン類似度 – 調整済みコサイン類似度
27.
3. 類似ユーザの抽出 • 試行錯誤が必要 –
上位 100 人 – 類似度 0.5 以上
28.
4. 商品のレコメンド • ユーザ
X に対する商品の評価値を算出 – 絶対評価 or 相対評価 – 類似度による重みづけ
29.
チューニング
30.
チューニング • 様々な選択肢から、精度の良くなるもの を選び出すことをチューニングと呼ぶ
31.
チューニング • パラメータを決めるには、実際やってみ るしかない? • パラメータの組み合わせは膨大 •
すべてやってみることはできない • 実際に適用しなくても大体わかる方法 ⇒ クロスバリデーション
32.
クロスバリデーション • 現在取得できているデータを「モデル構 築用」と「評価用」に分ける • 「モデル構築用」だけを使ってモデルを 作成し「評価用」でモデルの精度を評価 する モデル構築用_______評価用
33.
チューニング • クロスバリデーションにより良さそうな モデルを 1
~ 3 個までしぼり、ユーザー テストにかけて評価する • 評価方法:A/B テスト
34.
A/Bテストについて • レコメンドエンジンを使うことによって、 売り上げが伸びるか? • ユーザをランダムにレコメンドあり/なし のページに振り分け、購入回数・購入金 額を比較する ⇒
A/B テスト
35.
参考 • 神嶌敏弘「推薦システムのアルゴリズム」 – http://www.kamishima.net/archive/recsysdo c.pdf •
協調フィルタリングとは(株式会社ALBERT) – http://www.albert2005.co.jp/technology/rec om/c_filtering.html • 協調フィルタリングについてまとめてみた。 (Analyze IT.) – http://d.hatena.ne.jp/EulerDijkstra/20130407 /1365349866