アイテム間協調フィルタリング

Facebookシェア Twitterツイート LINEで送る Googleシェア このエントリーをはてなブックマークに追加
この章を学ぶ前に必要な知識
Up
0
Down

要約

概要

アイテム間協調フィルタリング(Item-Item Collaborative Filtering)は、ユーザの購買履歴や評価の履歴を元に類似した評価を持つ商品を見つけ出し、ユーザにおすすめするフィルタリング技術.Amazonによって発表された手法で、ユーザベース協調フィルタリングより、「ユーザ数がアイテム数より多い時にもよい」「アイテムの類似度は変わりにくいため更新頻度が少ない」といった点が有利.
ー 条件 ー
  • ユーザの今までの行動履歴や評価履歴がある
ー 効果 ー
  • ユーザの行動履歴に基づきおすすめ商品等を提示できる
ーポイントー
  • 協調フィルタリングなので、ユーザ情報がないまたは少ないときには精度が低い(Cold Start問題)
  • ユーザの評価が似ている商品を見つけ出し、おすすめとして出す
  • アイテム(商品)同士の類似度は頻繁には変わらないため、更新頻度は少なくて済む
  • ユーザベース協調フィルタリング同様に商品のジャンル関係なく紹介できる
  • 「あなたと同じようにこの商品を買った/良いと評価した人はこれも買っている」という方針
  • ユーザ数がアイテム数より多いときにもよい
  • 一般的にデータ量の少なさや精度の面からユーザベース協調フィルタリングよりよいとされる

解  説

アイテム間協調フィルタリング(Item-Item Collaborative Filtering)は、ユーザの購買履歴や評価の履歴を元に類似した評価を持つ商品を見つけ出し、ユーザにおすすめするフィルタリング技術. Amazonによって発表された手法で、ユーザベース協調フィルタリングより、「ユーザ数がアイテム数より多い時にもよい」「アイテムの類似度は変わりにくいため更新頻度が少ない」といった点が有利. 一般的に保存の必要なデータの量や精度の観点から、ユーザベース協調フィルタリングよりよいとされている. ユーザ数が多い時には、ユーザベース協調フィルタリングで計算するユーザ間/ペアの類似度の数が膨れ上がるため、データ量が増えてしまっている.
アイテム間協調フィルタリング(Item-Item Collaborative Filtering)
アイテム間協調フィルタリングの概念図 アイテム間協調フィルタリングでは、商品の類似度を出している. 商品AはユーザAとユーザCに好まれている.また商品Dも同様. でも商品Aは買っているユーザDは商品Dを買っていないので、おすすめしてみる. 上記がベースの考え方.
ユーザ間の類似度は対象が人間だけに嗜好が移ろいやすいが(新しい興味や飽き)、 一方でアイテム間の類似度はなかなか変わらない.そのためアイテム間協調フィルタリングでアイテム間の類似度の更新は頻繁に行わなくて済む. もちろんこれらはユーザの評価履歴、購買履歴を元に算出するため、 全く何も買ったことのない新規ユーザには、それら情報がかけているため、 適切に推薦できない.これをCold Start問題といい、協調フィルタリングのようにユーザの過去の履歴に基づく手法では同様の問題になる. 一方でコンテンツベースである場合は、ユーザの履歴は関係ないため上記Cold Start問題は特に起こらない.
アイテム間協調フィルタリングの特徴
<手順> 1. 各アイテム間でユーザの評価や購買履歴を元に、どのアイテムがどのアイテムと似ているか(両方を買う人がいるかや両方高評価する人がいるか). 例) おむつとビールが同じようなユーザに買われやすいので、類似度が高い.(実際の商品が全く関係なくても) 2. 1.で類似度を計算しておき、あるユーザに他の人が買っていてそのユーザが購入していないものをおすすめとして提示する.
アイテム間協調フィルタリングの処理の流れ
元の論文をリンクしておきます.
この章を学んで新たに学べる
Comments

Reasons
>>隠す