スティーブ・ジョブズは、「多くの場合、人は自分が何を欲しがっているのか、それを見せられるまでわからない」と言っています。この言葉は、特に選択肢が増え続けている現代においては、理にかなっています。今日の消費者は、マウスをクリックするだけで数多くの製品を手に入れることができます。これらの無数の選択肢は、時に混乱を招き、妨げとなり、利益よりも害を及ぼすことがあります。

例えば、ある企業がウェブサイトで何百万もの製品を提供していたとしても、消費者はその中から新しい魅力的な製品をどうやって見つけるのでしょうか？また、消費者の過去の購買履歴に基づいて、企業がすべての消費者に選択肢を提供できたら素晴らしいと思いませんか？そうすれば、時間を大幅に節約できるだけでなく、消費者にパーソナライズされた体験を提供することができます。

このような機械学習技術を用いてカスタマイズされたフィルターがレコメンデーションシステムであり、Driverless AIがどのようにレコメンデーションシステムを構築できるかを見てみましょう。

レコメンデーションシステム

レコメンデーションシステムは、人々に製品やサービスを推薦しようとするものです。

ある意味、このシステムは、人々が購入したり使用したりする可能性の高い提案を提示することで、人々の選択肢を狭めようとします。今日、多くの企業がレコメンデーションシステムに採用しており、ユーザが自社サイトで新しいコンテンツを発見できるようにしています。

レコメンデーションシステムを利用する利点

効果的なレコメンデーションシステムを導入することで、企業は消費者に向けてコンテンツや製品をパーソナライズすることができます。これにより、お客様のエンゲージメントが向上し、結果として売上が増加します。このようなレコメンデーションシステムを活用可能な企業には、以下のようなものがあります。

レコメンデーションシステムの種類

現在の業界では、さまざまな種類のレコメンデーションシステムが採用されています。

しかし、重要な決断は、どのタイプがニーズに合っているか、どのようなデータが利用できるかを決めることです。その選択は、主に以下の点によります。

• 何を特定したいのか？
• どのような関係がデータに含まれているか？

レコメンデーションに使用される一般的なアプローチには次のようなものがあります。

1.コンテンツベースのフィルタリング

コンテンツベースのフィルタリングとは、商品の属性に基づいて商品をレコメンドするものです。コンテンツベースのフィルタリングによるレコメンドは、個人の過去の情報を利用して表示される選択肢を決定します。このようなシステムは、その人が過去に購入したり気に入ったりしたアイテムや商品の類似性を探し、将来の選択肢をレコメンドします。ユーザが過去に好きだったものに似たアイテムをレコメンドするシステムです。

上の図(出典)は、ユーザが「文学」カテゴリーの本を気に入った場合、同じカテゴリーの本をそのユーザにレコメンドすることが合理的であることを示しています。また、同じ年に発売された同じ著者の本をレコメンドすることも素晴らしいアイデアです。

2.協調フィルタリング

協調フィルタリングは、多くのユーザや顧客から提供された評価の総合力を利用してお勧め商品を提示します。協調フィルタリングは、ユーザとアイテムの相互作用に基づいており、「このアイテムを購入したお客様は、これも購入している」というように、類似したユーザが類似したものを好むという概念に基づいています。

3.ハイブリッドフィルタリング

コンテンツベースフィルタリングと協調フィルタリングにはそれぞれ長所と短所があり、ハイブリッドフィルタリングと呼ばれるように多くのアルゴリズムを組み合わせることで、より優れたシステムを実現することができます。ハイブリッドフィルタリングでは、アイテムデータとトランザクションデータの両方を活用してレコメンドします。

例えば、下の図では、人々の読書や検索の習慣に基づいてレコメンドするだけでなく、似たような特徴を持つ書籍をレコメンドしています（コンテンツベース）。

Driverless AIを使ったリコメンデーションシステムの作成
H2O Driverless AIは、自動機械学習のための人工知能（AI）プラットフォームです。Driverless AIは、特徴量エンジニアリング、モデルの検証、モデルのチューニング、モデルの選択、モデルの展開など、最も困難なデータサイエンスや機械学習のワークフローを自動化します。

原題

(公式)H2O.ai Blog
Driverless AI can help you choose what you consume next
Parul Pandey