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、推薦アルゴリズム、推薦エンジン、推薦プラットフォームとも呼ばれ、特定のユーザーに最も関連性の高いアイテムを提案する情報フィルタリングシステムの一種です。 [ 1 ] [ 2 ] [ 3 ]これらのシステムの価値は、ユーザーが製品、メディア、コンテンツなどの多数のオプションから選択する必要があるシナリオで特に明らかになります。[ 1 ] [ 4 ]主要なソーシャルメディアプラットフォームやストリーミングサービスは、機械学習を使用してユーザーの行動や好みを分析し、パーソナライズされたコンテンツフィードを可能にするレコメンデーションシステムに依存しています。[ 5 ]

通常、提案とは、製品の選択、音楽の選択、読むオンラインニュースソースの選択など、さまざまな意思決定プロセスを指します。 [ 1 ]推薦システムの実装は普及しており、ビデオおよび音楽サービスのプレイリストの生成、eコマースプラットフォームに対する製品の推奨事項の提供、ソーシャルメディアプラットフォームおよびオープンウェブ上のコンテンツの推奨などが一般的な例として認識されています。[ 6 ] [ 7 ]これらのシステムは、音楽などの単一の種類の入力、またはニュース、書籍、検索クエリなどのさまざまなプラットフォームからの複数の入力を使用して動作できます。さらに、レストランやオンラインデートサービスなどの特定のトピック向けに人気の推薦システムが開発されています。また、研究論文や専門家、 [ 8 ]協力者、[ 9 ]金融サービスを探索するための推薦システムも開発されています。 [ 10 ]

コンテンツ発見プラットフォームは、推薦システムツールを用いたソフトウェア推薦プラットフォームです。ユーザーのメタデータを利用して関連コンテンツを識別・提案し、継続的な保守・開発コストを削減します。コンテンツ発見プラットフォームは、ウェブサイト、モバイルデバイス、セットトップボックスにパーソナライズされたコンテンツを配信します。現在、ニュース記事や学術雑誌記事[ 11 ]からテレビ[ 12 ]に至るまで、様々な形式のコンテンツに対応した幅広いコンテンツ発見プラットフォームが存在します。通信事業者がホームエンターテイメントへの入り口として競争する中、パーソナライズされたテレビは重要なサービス差別化要因として浮上しています。学術コンテンツの発見は最近新たな関心領域となっており、学術研究者が関連する学術コンテンツを常に最新の状態に保ち、新しいコンテンツを偶然発見できるように支援することに特化した企業が数多く登場しています。[ 11 ]

概要

推薦システムは通常、協調フィルタリングとコンテンツベースフィルタリングのいずれか、あるいは両方、さらには知識ベースシステムなどの他のシステムも活用します。協調フィルタリングのアプローチは、ユーザーの過去の行動（例：過去に購入または選択したアイテム、および/またはそれらのアイテムに与えられた数値評価）と他のユーザーの同様の決定からモデルを構築します。このモデルは、ユーザーが興味を持つ可能性のあるアイテム（またはアイテムの評価）を予測するために使用されます。[ 13 ]コンテンツベースフィルタリングのアプローチは、アイテムの一連の個別の、事前にタグ付けされた特性を利用して、類似した特性を持つ追加のアイテムを推薦します。[ 14 ]

例

協調フィルタリングとコンテンツベースフィルタリングの違いは、初期の音楽レコメンデーションシステムであるLast.fmとPandora Radioを比較することで実証できます。また、Amazonのようなプラットフォームにおけるeコマースへのこれらの手法の適用例も見ることができます。

  • Last.fmは、ユーザーが定期的に聴いているバンドや楽曲を観察・分析し、他のユーザーの聴取行動と比較することで、おすすめの楽曲を集めた「ステーション」を作成します。Last.fmは、ユーザーのライブラリには表示されていない楽曲でも、同様の興味を持つ他のユーザーが頻繁に再生する楽曲を再生します。このアプローチはユーザーの行動を活用するため、協調フィルタリング技術の一例です。[ 15 ]
  • Pandoraは、楽曲やアーティストのプロパティ（ミュージック・ゲノム・プロジェクト[ 16 ]が提供する450の属性のサブセット）を用いて、類似のプロパティを持つ音楽を再生する「ステーション」を生成します。ユーザーからのフィードバックは、ステーションの検索結果を精緻化するために活用されます。ユーザーが特定の楽曲を「嫌い」と評価した場合は特定の属性を軽視し、「好き」と評価した場合は他の属性を強調します。これはコンテンツベースのアプローチの一例です。
  • Eコマースにおいて、Amazonの有名な「Xを購入したお客様はYも購入しています」機能は、協調フィルタリングの好例です。また、コンテンツベースフィルタリングは、ユーザーが以前読んだことのある著者の本や、閲覧した靴と似たスタイルの靴をおすすめする際にも使用されています。

それぞれのシステムには長所と短所があります。上記の例では、Last.fmは正確なレコメンデーションを行うためにユーザーに関する大量の情報を必要とします。これはコールドスタート問題の一例であり、協調フィルタリングシステムではよく見られます。[ 17 ] [ 18 ] [ 19 ] [ 20 ] [ 21 ] [ 22 ]一方、Pandoraは開始に必要な情報は非常に少ないものの、その範囲ははるかに限定されています（例えば、元のシードに類似したレコメンデーションしか作成できません）。

代替実装

レコメンデーションシステムは、ユーザーが他の方法では見つけられなかったかもしれないアイテムを発見するのに役立つため、検索アルゴリズムの有用な代替手段です。注目すべきは、レコメンデーションシステムは、非伝統的なデータをインデックス化する検索エンジンを使用して実装されることが多いことです。ゴンザレス対Google最高裁判決のように、検索アルゴリズムとレコメンデーションアルゴリズムは異なる技術であると主張される場合もあります。[ 23 ]

推薦システムは、いくつかの特許の対象となっており[ 24 ] [ 25 ] [ 26 ] [ 27 ] [ 28 ] 、LensKit [ 30 ] [ 31 ] RecBole [ 32] ReChorus [ 33 ] RecPack [ 34 ]など、推薦システムの開発をサポートするソフトウェアライブラリは50以上あります[ 29 ] 。

歴史

エレイン・リッチは1979年にグランディと呼ばれる最初の推薦システムを開発しました。[ 35 ] [ 36 ]彼女は、ユーザーが好みそうな本を推薦する方法を模索しました。彼女のアイデアは、ユーザーに具体的な質問をし、その回答に基づいて好みのクラス、つまり「ステレオタイプ」に分類するシステムを作ることでした。そして、ユーザーがどのステレオタイプに属しているかに応じて、好みそうな本が推薦されるのです。

もう1つの初期のレコメンデーションシステムは「デジタルブックシェルフ」と呼ばれ、1990年にコロンビア大学の Jussi Karlgrenによる技術レポートで説明され、 [ 37 ] 、1994年以降は当時SICSにいたJussi Karlgren、[ 38 ] [ 39 ] 、 MITのPattie Maes 、 [ 40 ] 、 BellcoreのWill Hill、[ 41 ]、同じくMITのPaul Resnick [ 42 ] [ 4 ] が率いる研究グループによって大規模に実装され、技術レポートや出版物で検討されました。ResnickのGroupLensに関する研究は2010年のACMソフトウェアシステム賞を受賞しました。

Montanerは、インテリジェントエージェントの観点からレコメンデーションシステムの概要を初めて提供しました。[ 43 ] Adomaviciusは、レコメンデーションシステムの新しい代替的な概要を提供しました。[ 44 ] Herlockerは、レコメンデーションシステムの評価技術の追加的な概要を提供し、[ 45 ] Beelらは、オフライン評価の問題について議論しました。[ 46 ] Beelらは、利用可能な研究論文のレコメンデーションシステムと既存の課題に関する文献調査も行っています。[ 47 ] [ 48 ]

アプローチ

協調フィルタリング

評価システムに基づく協調フィルタリングの例

広く利用されている推薦システムの設計手法の一つに、協調フィルタリングがある。[ 49 ]協調フィルタリングは、過去に同意した人々は将来も同意し、過去に好んだのと似た種類のアイテムを好むという仮定に基づいている。システムは、異なるユーザーまたはアイテムの評価プロファイルに関する情報のみを使用して推薦を生成する。現在のユーザーまたはアイテムと評価履歴が類似するピアユーザー/アイテムを見つけることで、この近傍を使用して推薦を生成する。この手法は、何千人ものユーザーの購入パターンを分析して好みの商品を提案するeコマースサイトの基礎となっている。協調フィルタリングの手法は、メモリベースとモデルベースに分類される。メモリベースの手法のよく知られた例はユーザーベースアルゴリズムであり、[ 50 ]モデルベースの手法のよく知られた例は行列分解（推薦システム）である。[ 51 ]

協調フィルタリングアプローチの主な利点は、機械分析可能なコンテンツに依存しないため、映画などの複雑なアイテムを、アイテム自体を「理解」することなく正確に推薦できることです。推薦システムでは、ユーザー類似度やアイテム類似度を測定するために、多くのアルゴリズムが使用されてきました。例えば、k近傍法（k-NN）[ 52 ]や、 Allenによって初めて実装されたピアソン相関[ 53 ]などが挙げられます。

ユーザーの行動からモデルを構築する場合、明示的なデータ収集形式と暗黙的なデータ収集形式を区別することがよくあります。

明示的なデータ収集の例には次のようなものがあります。

  • ユーザーにスライディングスケールでアイテムを評価するよう依頼します。
  • ユーザーに検索を依頼します。
  • ユーザーに、アイテムのコレクションを、お気に入りのものから嫌いなものまでランク付けするよう依頼します。
  • ユーザーに 2 つのアイテムを提示し、そのうちのより良いものを選択するように依頼します。
  • ユーザーに好きなアイテムのリストを作成するように依頼します ( Rocchio 分類またはその他の同様の手法を参照)。

暗黙的なデータ収集の例には次のようなものがあります。

  • ユーザーがオンライン ストアで閲覧するアイテムを観察します。
  • アイテム/ユーザーの閲覧時間を分析する。[ 54 ]
  • 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ます。
  • ユーザーが自分のコンピューターで視聴または聴取したアイテムのリストを取得します。
  • ユーザーのソーシャル ネットワークを分析し、類似した好き嫌いを発見します。

協調フィルタリングのアプローチは、コールドスタート、スケーラビリティ、スパース性という3つの問題を抱えることが多い。[ 55 ]

  • コールドスタート：新しいユーザーまたはアイテムの場合、正確な推奨を行うのに十分なデータがありません。注：この問題に対する一般的な解決策の1つは、多腕バンディットアルゴリズムです。[ 56 ] [ 17 ] [ 18 ] [ 20 ] [ 22 ]
  • スケーラビリティ：これらのシステムがレコメンデーションを行う環境の多くは、数百万ものユーザーと製品が存在します。そのため、レコメンデーションの計算には、多くの場合、膨大な計算能力が必要になります。
  • スパース性：主要なeコマースサイトで販売されている商品の数は非常に多く、最もアクティブなユーザーでさえデータベース全体のごく一部しか評価していません。そのため、最も人気のある商品でさえ、評価数はごくわずかです。

協調フィルタリングの最も有名な例の1つは、アイテム間の協調フィルタリング（xを購入した人はyも購入する）であり、これはAmazon.comのレコメンデーションシステムによって普及したアルゴリズムです。[ 57 ]

多くのソーシャルネットワークは、当初、ユーザーとその友人とのつながりのネットワークを分析し、新しい友人、グループ、その他のソーシャルコネクションを推奨するために協調フィルタリングを使用していました。[ 1 ]協調フィルタリングは現在でもハイブリッドシステムの一部として使用されています。この技術では、機械学習技術である埋め込みを利用できます。[ 58 ]

コンテンツベースのフィルタリング

推薦システムを設計する際によく用いられるもう1つのアプローチは、コンテンツベースフィルタリングです。コンテンツベースフィルタリングは、アイテムの説明とユーザーの嗜好プロファイルに基づいています。[ 59 ] [ 60 ]これらの手法は、アイテムに関するデータ（名前、場所、説明など）は既知であるものの、ユーザーに関するデータは既知ではない状況に最適です。コンテンツベース推薦システムは、推薦をユーザー固有の分類問題として扱い、アイテムの特徴に基づいてユーザーの好き嫌いの分類器を学習します。

このシステムでは、アイテムを説明するキーワードが用いられ、ユーザーが好むアイテムの種類を示すユーザープロファイルが構築されます。言い換えれば、これらのアルゴリズムは、ユーザーが過去に好んだアイテムや現在検討しているアイテムに類似したアイテムを推奨しようとします。この一時的なプロファイルを生成するために、ユーザーのサインインメカニズムは必要としません。具体的には、様々な候補アイテムをユーザーが以前に評価したアイテムと比較し、最も一致するアイテムを推奨します。このアプローチは、情報検索と情報フィルタリングの研究に根ざしています。

ユーザー プロファイルを作成するために、システムは主に次の 2 種類の情報に焦点を当てます。

  1. ユーザーの好みのモデル。
  2. ユーザーの推奨システムとのやり取りの履歴。

基本的に、これらの手法では、システム内のアイテムを特徴付けるアイテムプロファイル（つまり、離散的な属性と特徴の集合）を使用する。システム内のアイテムの特徴を抽象化するために、アイテム提示アルゴリズムが適用される。広く使用されているアルゴリズムは、tf-idf表現（ベクトル空間表現とも呼ばれる）である。[ 61 ]システムは、アイテム特徴の重み付きベクトルに基づいて、ユーザーのコンテンツベースのプロファイルを作成する。重みは、ユーザーにとっての各特徴の重要度を示し、個別に評価されたコンテンツベクトルからさまざまな手法を使用して計算できる。単純なアプローチでは、評価されたアイテムベクトルの平均値を使用するが、他の高度な手法では、ベイズ分類器、クラスター分析、決定木、人工ニューラルネットワークなどの機械学習手法を使用して、ユーザーがアイテムを気に入る確率を推定する。[ 62 ]

コンテンツベースフィルタリングにおける重要な課題は、システムが特定のコンテンツソースにおけるユーザーの行動からユーザーの嗜好を学習し、それを他のコンテンツタイプにも活用できるかどうかです。システムがユーザーが既に使用しているコンテンツと同じタイプのコンテンツのみを推奨することしかできない場合、他のサービスの他のコンテンツタイプを推奨できる場合と比べて、推奨システムの価値は大幅に低くなります。例えば、ニュース閲覧に基づいてニュース記事を推奨することは有用です。しかし、ニュース閲覧に基づいて、異なるサービスから音楽、動画、製品、ディスカッションなどを推奨できれば、はるかに有用です。これを克服するために、現在、ほとんどのコンテンツベースレコメンデーションシステムは、何らかの形のハイブリッドシステムを採用しています。

コンテンツベースの推薦システムには、意見ベースの推薦システムも含まれる。場合によっては、ユーザーはアイテムにテキストレビューやフィードバックを残すことができる。これらのユーザー生成テキストは、アイテムの特徴/側面とアイテムに対するユーザーの評価/感情の両方の潜在的に豊富なリソースであるため、推薦システムにとって暗黙のデータとなる。ユーザー生成レビューから抽出された特徴は、アイテムのメタデータの改善である。なぜなら、メタデータのようにアイテムの側面も反映するため、抽出された特徴はユーザーに広く関心があるからである。レビューから抽出された感情は、対応する特徴に対するユーザーの評価スコアと見なすことができる。意見ベースの推薦システムの一般的なアプローチは、テキストマイニング、情報検索、感情分析（マルチモーダル感情分析も参照）、ディープラーニングなど、さまざまな技術を活用している。[ 63 ]

ハイブリッド推奨アプローチ

現在、ほとんどのレコメンデーションシステムは、協調フィルタリング、コンテンツベースフィルタリング、その他のアプローチを組み合わせたハイブリッドアプローチを採用しています。電子商取引プラットフォームでは、新規ユーザーが協調フィルタリングの分析履歴を持たないコールドスタート問題などの問題を克服するために、ハイブリッドアプローチが頻繁に使用されています。同じタイプの複数の異なる手法をハイブリッド化できない理由はありません。ハイブリッドアプローチは、コンテンツベースと協調ベースの予測を別々に行い、それらを組み合わせる、協調ベースのアプローチにコンテンツベースの機能を追加する（またはその逆）、またはこれらのアプローチを1つのモデルに統合するなど、いくつかの方法で実装できます。[ 44 ]ハイブリッドの性能を純粋な協調ベースおよびコンテンツベースの手法と実証的に比較したいくつかの研究では、ハイブリッド手法は純粋な手法よりも正確なレコメンデーションを提供できることが実証されています。これらの手法は、コールドスタートやスパース性問題、そして知識ベースアプローチにおける知識工学のボトルネックなど、レコメンデーションシステムに共通する問題のいくつかを克服するためにも使用できます。[ 64 ]

Netflixはハイブリッド推薦システムの良い例です。[ 65 ]このウェブサイトは、類似したユーザーの視聴習慣や検索習慣を比較して推薦を行う（協調フィルタリング）だけでなく、ユーザーが評価した映画と特徴を共有する映画を提案する（コンテンツベースフィルタリング）ことで推薦を行っています。

ハイブリダイゼーション技術には次のようなものがあります。

  • 加重: 異なる推奨コンポーネントのスコアを数値で組み合わせます。
  • 切り替え: 推奨コンポーネントを選択し、選択したものを適用します。
  • 混合: 異なる推奨者からの推奨事項が一緒に提示され、推奨事項が提示されます。
  • カスケード: 推奨者には厳格な優先順位が与えられ、優先順位の低い推奨者は、優先順位の高い推奨者のスコアリングで同点になります。
  • メタレベル：1つの推奨技術が適用され、何らかのモデルが生成され、それが次の技術の入力として使用される。[ 66 ]

テクノロジー

セッションベースのレコメンデーションシステム

これらの推薦システムは、セッション内のユーザーのインタラクション[ 67 ]を使用して推薦を生成します。セッションベースの推薦システムは、YouTube [ 68 ]やAmazon [ 69 ]で使用されています。これらは、ユーザーの履歴（過去のクリックや購入など）が利用できない、または現在のユーザーセッションに関連しない場合に特に便利です。セッションベースの推薦が特に関連する分野としては、ビデオ、eコマース、旅行、音楽などがあります。セッションベースの推薦システムのほとんどのインスタンスでは、ユーザーの追加の詳細（履歴、人口統計）を必要とせず、セッション内の最近のインタラクションのシーケンスに依存しています。セッションベースの推薦の技術は、主に、再帰型ニューラルネットワーク[ 67 ] [ 70 ]トランスフォーマー[ 71 ]などの生成的シーケンシャルモデルや、その他のディープラーニングベースのアプローチに基づいています。[ 72 ] [ 73 ]

推薦システムのための強化学習

推薦問題は強化学習問題の特殊な例として捉えることができ、ユーザーは推薦システムがエージェントの環境として働き、報酬（例えば、ユーザーのクリックやエンゲージメント）を得るためのものである。[ 68 ] [ 74 ] [ 75 ]推薦システムの分野で特に有用な強化学習の一つは、推薦エージェントに報酬を与えることでモデルやポリシーを学習できるという点である。これは、柔軟性の低い教師あり学習アプローチに依存する従来の学習手法とは対照的である。強化学習による推薦手法では、エンゲージメントやユーザーの関心といった指標に基づいて直接最適化できるモデルをトレーニングできる可能性がある。[ 76 ]

多基準推奨システム

多基準推薦システム（MCRS）は、複数の基準に基づく嗜好情報を組み込んだ推薦システムと定義できます。これらのシステムは、単一の基準値、つまりユーザーuのアイテムiに対する全体的な嗜好に基づいて推薦手法を開発するのではなく、この全体的な嗜好値に影響を与える複数の基準に関する嗜好情報を利用して、uの未探索アイテムの評価を予測しようとします。多くの研究者は、MCRSを多基準意思決定（MCDM）の問題として捉え、MCDMの手法と手法を適用してMCRSシステムを実装しています。[ 77 ]詳細な紹介については、この章[ 78 ]を参照してください。

リスクを考慮した推奨システム

既存の推薦システムへのアプローチの大部分は、コンテキスト情報を用いてユーザーに最も関連性の高いコンテンツを推奨することに重点を置いているが、不要な通知でユーザーを煩わせるリスクは考慮されていない。例えば、仕事上の会議中、早朝、深夜など、特定の状況下で推薦を押し付けることによってユーザーを動揺させるリスクを考慮することは重要である。したがって、推薦システムのパフォーマンスは、推薦プロセスにリスクをどの程度組み込んでいるかに部分的に依存する。この問題に対処する選択肢の1つがDRARSである。これは、コンテキスト認識型推薦をバンディット問題としてモデル化するシステムである。このシステムは、コンテンツベースの手法とコンテキストバンディットアルゴリズムを組み合わせたものである。[ 79 ]

モバイルレコメンデーションシステム

モバイルレコメンデーションシステムは、インターネットにアクセスできるスマートフォンを利用して、パーソナライズされたコンテキストに基づいたレコメンデーションを提供します。モバイルデータはレコメンデーションシステムが扱うデータよりも複雑であるため、これは特に難しい研究分野です。モバイルデータは異質でノイズが多く、空間的および時間的な自己相関が必要であり、検証と一般性の問題があります。[ 80 ]

モバイルレコメンデーションシステムと予測結果の精度に影響を与える可能性のある要因は3つあります。コンテキスト、推奨方法、プライバシーです。[ 81 ]さらに、モバイルレコメンデーションシステムは移植問題を抱えています。つまり、推奨がすべての地域に適用されない可能性があります（たとえば、すべての材料が入手できない地域でレシピを推奨するのは賢明ではありません）。

モバイルレコメンデーションシステムの一例として、UberやLyftといった企業が都市部のタクシー運転手向けに運行ルートを生成する手法が挙げられます。[ 80 ]このシステムは、タクシー運転手が勤務中に通るルートのGPSデータ（位置情報（緯度・経度）、タイムスタンプ、運行状況（乗客の有無）など）を活用します。このデータを用いて、ルート沿いの乗車地点のリストを推奨し、乗車時間と収益の最適化を目指します。

生成的レコメンデーション

生成的レコメンデーション（GR）は、レコメンデーションタスクをシーケンシャルトランスダクション問題に変換するアプローチであり、ユーザーアクションは生成モデリングフレームワーク内のトークンのように扱われます。 HSTU（階層的シーケンシャルトランスダクションユニット）と呼ばれる手法では、[ 82 ]高カーディナリティ、非定常、ストリーミングデータセットがシーケンスとして効率的に処理され、モデルが数兆個のパラメータから学習し、従来よりも桁違いに長いユーザーアクション履歴を処理できるようになります。 システムのさまざまなデータすべてを単一のトークンストリームに変換し、従来のニューラルネットワーク層の代わりにカスタムの自己注意アプローチを使用することで、生成的レコメンデーションはモデルを大幅に簡素化し、メモリ消費量を削減します。 その結果、テストシミュレーションや実際のテストでのレコメンデーション品質を向上させることができ、ユーザーアクションの長いリストを処理する際に、以前のTransformerベースのシステムよりも高速になります。最終的に、このアプローチにより、使用されるコンピューティング能力が増えるにつれてモデルのパフォーマンスが着実に向上し、推奨のための効率的でスケーラブルな「基盤モデル」の基盤が築かれます。

Netflix賞

推薦システムの研究を活性化させた出来事の一つに、Netflix Prizeがある。2006年から2009年にかけて、Netflixは1億件以上の映画評価データセットを用いて、同社の既存の推薦システムよりも10%精度の高い推薦を返すチームに100万ドルの賞金を提供するというコンテストを主催した。このコンテストは、より精度の高い新しいアルゴリズムの探求を活性化させた。2009年9月21日、タイブレークルールを用いて、BellKorのPragmatic Chaosチームに100万ドルの賞金が授与された。[ 83 ]

2007年に最も精度の高いアルゴリズムは、107種類の異なるアルゴリズム手法を組み合わせ、単一の予測を行うアンサンブル法を採用しました。受賞者のベルらは次のように述べています。[ 84 ]

複数の予測因子を組み合わせることで、予測精度は大幅に向上します。私たちの経験から、単一の手法を改良するのではなく、実質的に異なるアプローチを導き出すことに多くの労力を集中させるべきであると考えています。 したがって、私たちのソリューションは、多くの手法を組み合わせたものとなっています。

Netflixプロジェクトは、ウェブに多くの利益をもたらしました。いくつかのチームは、その技術を他の市場に応用しました。2位に終わったチームのメンバーの中には、RecSysコミュニティで活躍するレコメンデーションエンジンであるGravity R&Dを設立した人もいます。[ 83 ] [ 85 ] 4-Tell, Inc.は、Netflixプロジェクトから派生したeコマースウェブサイト向けソリューションを開発しました。

NetflixがNetflix Prizeコンペティションに提供したデータセットをめぐっては、多くのプライバシー問題が浮上した。データセットは顧客のプライバシー保護のため匿名化されていたが、2007年にテキサス大学の研究者2名が、データセットをインターネット映画データベース（IMDb）の映画評価と照合することで、個々のユーザーを特定することに成功した。[ 86 ]その結果、2009年12月、匿名のNetflixユーザーがDoe v. NetflixでNetflixを提訴し、Netflixがデータセットを公開したことで米国公正取引法とビデオプライバシー保護法に違反したと主張した。 [ 87 ]このことと連邦取引委員会の懸念から、2010年に開催された第2回Netflix Prizeコンペティションは中止された。[ 88 ]

評価

パフォーマンス測定

推薦アルゴリズムの有効性を評価するには評価が重要です。推薦システムの有効性を測定し、様々なアプローチを比較するために、ユーザースタディ、オンライン評価（A/Bテスト）、オフライン評価の3種類の評価方法が利用可能です。 [ 46 ]

一般的に用いられる指標は平均二乗誤差と平均二乗根誤差であり、後者はNetflix Prizeで使用された。適合率や再現率、割引累積利得（DCG）といった情報検索指標は、推薦手法の質を評価するのに有用である。多様性、新規性、網羅性も評価において重要な側面とみなされる。[ 89 ]しかし、従来の評価指標の多くは非常に批判されている。[ 90 ]

固定されたテストデータセットにおけるレコメンデーションアルゴリズムのパフォーマンス評価は、実際のユーザーがレコメンデーションに対してどのように反応するかを正確に予測することが不可能であるため、常に非常に困難です。したがって、オフラインデータにおけるアルゴリズムの有効性を計算する指標は不正確になります。

ユーザースタディは比較的小規模です。数十人から数百人のユーザーに、異なる推奨アプローチによって作成された推奨を提示し、どの推奨が最適かをユーザーが判断します。

A/Bテストでは、通常、実際の製品の数千人のユーザーにレコメンデーションを提示し、レコメンデーションシステムは少なくとも2つの異なるレコメンデーションアプローチをランダムに選択してレコメンデーションを生成します。その効果は、コンバージョン率やクリックスルー率といった暗黙的な効果指標によって測定されます。

オフライン評価は、例えばユーザーが以前に映画をどのように評価したかに関する情報を含むデータセットなどの履歴データに基づいています。[ 91 ]

推薦アプローチの有効性は、推薦アプローチがデータセット内のユーザーの評価をどれだけ正確に予測できるかに基づいて測定されます。評価はユーザーが映画を気に入ったかどうかを明示的に表現したものですが、そのような情報はすべてのドメインで利用できるわけではありません。たとえば、引用推薦システムの分野では、ユーザーは通常、引用や推薦された記事を評価しません。このような場合、オフライン評価では暗黙的な有効性の尺度が使用されることがあります。たとえば、研究論文の参考文献リストに含まれる記事をできるだけ多く推薦できる推薦システムは効果的であると想定される場合があります。しかし、このようなオフライン評価は多くの研究者から批判的と見なされています。[ 92 ] [ 93 ] [ 94 ] [ 46 ]たとえば、オフライン評価の結果は、ユーザー調査やA/Bテストの結果との相関が低いことが示されている。[ 94 ] [ 95 ]オフライン評価でよく使用されるデータセットには重複データが含まれており、アルゴリズムの評価で誤った結論につながることが示されている。[ 96 ]多くの場合、いわゆるオフライン評価の結果は、実際に評価されたユーザー満足度とは相関しません。[ 97 ]これは、オフライントレーニングが到達性の高い項目に大きく偏っており、オフラインテストのデータがオンライン推奨モジュールの出力に大きく影響されるためと考えられます。[ 92 ] [ 98 ]研究者たちは、オフライン評価の結果は批判的に見る必要があると結論付けています。[ 99 ]

研究者たちは、レコメンデーションシステムにおける精度に基づく評価指標の実用性には限界があることを特定しており、これは精度障壁または魔法の障壁と呼ばれることもある。[ 100 ] この見方では、オフライン精度の継続的な向上は、必ずしもユーザーエクスペリエンス、満足度、あるいは現実世界のシステムへの影響の向上につながるわけではない。その結果、ある一定のレベルを超えた精度向上は、オフライン実験のみで評価した場合、収穫逓減の法則に陥る可能性がある。

正確さを超えて

一般的に、レコメンデーションシステムの研究は、最も正確なレコメンデーションアルゴリズムを見つけることに重点を置いています。しかし、他にも重要な要素がいくつかあります。

  • 多様性– リスト内の多様性が高い場合、例えば異なるアーティストのアイテムがある場合、ユーザーは推奨事項に満足する傾向があります。[ 101 ] [ 102 ]
  • 推薦者の持続性– 状況によっては、新しいアイテムを表示するよりも、推薦を再表示したり[ 103 ]、ユーザーにアイテムの再評価をさせたり[ 104 ]する方が効果的です。これにはいくつかの理由があります。例えば、ユーザーは初めて表示されたアイテムを無視することがあります。これは、推薦内容をじっくりと確認する時間がなかったためです。
  • プライバシー– 推薦システムは通常、プライバシーの懸念に対処する必要がある[ 105 ]。これは、ユーザーが機密情報を開示する必要があるためである。協調フィルタリングを用いたユーザープロファイルの構築は、プライバシーの観点から問題となる可能性がある。多くの欧州諸国ではデータプライバシーの文化が強く、いかなるレベルのユーザープロファイリングを導入しようとする試みも、顧客からの否定的な反応につながる可能性がある。この分野では、進行中のプライバシー問題について多くの研究が行われてきた。Netflix Prizeは、データセットで詳細な個人情報が公開されていることで特に注目されている。Ramakrishnanらは、パーソナライゼーションとプライバシーのトレードオフについて広範囲に調査を行い、弱いつながり（偶然の推薦を提供する予期せぬつながり）と他のデータソースを組み合わせることで、匿名化されたデータセット内のユーザーの身元を明らかにできることを発見した[ 106 ] 。
  • ユーザーの人口統計– Beelらは、ユーザーの人口統計が推奨事項に対するユーザーの満足度に影響を与える可能性があることを発見しました。[ 107 ]彼らの論文では、高齢のユーザーは若いユーザーよりも推奨事項に興味を持つ傾向があることが示されています。
  • 堅牢性– ユーザーがレコメンデーションシステムに参加できる場合、不正行為の問題に対処する必要があります。[ 108 ]
  • セレンディピティ–セレンディピティとは、「推薦がどれほど意外なものか」を測る尺度です。[ 109 ] [ 102 ]例えば、食料品店で顧客に牛乳を推薦する推薦システムは、その推薦内容は完全に正確かもしれませんが、顧客にとって牛乳は当然購入すべき商品であるため、良い推薦とは言えません。「[セレンディピティ]には2つの目的があります。1つ目は、選択肢があまりにも画一的すぎるためにユーザーが興味を失う可能性を減らすことです。2つ目は、これらの商品はアルゴリズムが学習し、自己改善するために必要であるということです。」[ 110 ]
  • 信頼– ユーザーがシステムを信頼していない場合、推薦システムはユーザーにとってほとんど価値がありません。[ 111 ]推薦システムは、推薦を生成する方法と、なぜアイテムを推薦するのかを説明することで信頼を築くことができます。
  • ラベル付け– おすすめに対するユーザー満足度は、おすすめラベルのラベル付けによって影響を受ける可能性があります。[ 112 ]例えば、引用された研究では、 「スポンサー」ラベルの付いたおすすめ広告のクリック率（CTR）は、「オーガニック」ラベルの付いた同じおすすめ広告のクリック率（CTR=8.86%）よりも低く（CTR=5.93%）、ラベルなしのおすすめ広告のクリック率（CTR=9.87%）が最も高い結果となりました。

再現性

推薦システムはオフラインでの評価が非常に難しいことで有名で、一部の研究者は、これが推薦システムの出版物における再現性の危機につながっていると主張しています。再現性の話題は、一部の機械学習の出版の場では繰り返し取り上げられる問題となっているようですが、科学出版の世界以外に大きな影響を与えているわけではありません。推薦システムの文脈では、トップカンファレンス（SIGIR、KDD、WWW、RecSys、IJCAI）で発表された、トップk推薦問題にディープラーニングやニューラル手法を適用した少数の厳選された出版物を調査した2019年の論文によると、調査の著者によって再現できた論文は平均で40％未満であり、カンファレンスによっては14％にまで達しました。その論文では、今日の研究学問における潜在的な問題をいくつか検討し、その分野での科学的実践の改善を提案しています。[ 113 ] [ 114 ] [ 115 ] 同じ手法のセットをベンチマークした最近の研究では、質的に非常に異なる結果が得られ[ 116 ]、ニューラル手法が最も優れた方法の1つであることがわかりました。レコメンデーションシステムのためのディープラーニングとニューラル手法は、最近のいくつかのレコメンデーションシステムチャレンジ、WSDM、[ 117 ] RecSys Challengeの優勝ソリューションに使用されています。[ 118 ] さらに、ニューラルラーニングとディープラーニングの手法は、業界で広く使用されており、広範にテストされています。[ 119 ] [ 68 ] [ 69 ]再現性のトピックは、レコメンデーションシステムでは新しいものではありません。 2011年までに、Ekstrand、Konstan、らは、「現在、レコメンデーションシステムの研究結果を再現および拡張することは困難である」と批判し、評価は「一貫して処理されていない」と批判しました。[ 120 ]コンスタンとアドマビチウスは、「推薦システムの研究コミュニティは、多くの論文が集合的知識にほとんど貢献しない結果を提示しているという危機に直面している。[...] 多くの場合、研究には[...] 適切に評価され、有意義な貢献を提供するための評価が欠けているからである」と結論付けている。[ 121 ]結果として、推薦システムに関する多くの研究は再現不可能であると考えられる。[ 122 ]そのため、推薦システムの運用者は、推薦システムでどの推薦アプローチを使用するべきかという疑問に答えるための指針を現在の研究からほとんど見つけることができない。Bellogínは、この分野で発表された論文の研究を行い、推奨のための最も人気のあるフレームワークのいくつかをベンチマークした結果、同じアルゴリズムとデータセットを使用した場合でも、結果に大きな矛盾があることを発見しました。[ 123 ]一部の研究者は、推奨アルゴリズムやシナリオのわずかな変化が、推奨システムの有効性に大きな変化をもたらすことを実証しました。彼らは、現状を改善するには7つの行動が必要であると結論付けています。[ 122 ]「(1)他の研究分野を調査し、そこから学ぶ、(2)再現性に関する共通認識を見出す、(3)再現性に影響を与える決定要因を特定し理解する、(4)より包括的な実験を行う、(5)出版慣行を近代化する、(6)推奨フレームワークの開発と利用を促進する、(7)推奨システム研究のためのベストプラクティスガイドラインを確立する。」

推奨における人工知能の応用

推薦システムにおける人工知能（AI）の応用は、AI技術を活用して推薦エンジンのパフォーマンスを強化する高度な方法論である。AIベースの推薦機能は、複雑なデータセットを分析し、ユーザーの行動、好み、インタラクションから学習して、非常に正確でパーソナライズされたコンテンツや製品の提案を生成することができる。[ 124 ]推薦システムへのAIの統合は、従来の推薦方法から大きく進化した。従来の方法は、一般的なユーザーの傾向やコンテンツの明らかな類似性に基づいてアイテムを提案する柔軟性のないアルゴリズムに依存することが多かった。これに対し、AIを活用したシステムは、従来の方法では見落とされる可能性のあるパターンや微妙な違いを検出する機能を持っている。[ 125 ]これらのシステムは特定の個人の好みに適応できるため、個々のユーザーのニーズにより合った推奨事項を提供できます。このアプローチは、よりパーソナライズされたユーザー中心の提案への移行を示しています。

推薦システムでは、機械学習、深層学習、自然言語処理といったAI技術が広く採用されています。[ 126 ]これらの高度な手法は、ユーザーの嗜好を予測し、パーソナライズされたコンテンツをより正確に提供するシステム機能を強化します。それぞれの技術は独自の貢献をしています。以下のセクションでは、推薦システムで利用される具体的なAIモデルについて、その理論と機能を説明しながら紹介します。

KNNベースの協調フィルタ

協調フィルタリング（CF）は、最も一般的に使用されている推薦システムアルゴリズムの一つです。明示的または暗黙的な行動パターンに基づいて、ユーザーに合わせた提案を生成し、予測を行います。[ 127 ]具体的には、星評価や購入履歴などの外部フィードバックに基づいて判断を行います。CFは類似性測定に基づいてユーザーの嗜好を予測します。基本的に、基礎となる理論は「ユーザーAがユーザーBに類似しており、AがアイテムCを好んでいる場合、BもアイテムCを好んでいる可能性が高い」というものです。

協調フィルタリングには様々なモデルが存在します。AI応用協調フィルタリングでは、K近傍法と呼ばれるモデルが一般的です。その考え方は以下の通りです。

  1. データ表現：各軸がユーザーの特性（評価、購入履歴など）を表すn次元空間を作成します。ユーザーをその空間内の点として表現します。
  2. 統計距離：「距離」は、この空間におけるユーザー間の距離を測定します。計算の詳細については、統計距離を参照してください。
  3. 近傍の特定: 計算された距離に基づいて、推奨したいユーザーのk近傍を見つける
  4. 予測的推奨の形成：システムはk個の近隣の類似した嗜好を分析し、その類似性に基づいて推奨を作成します。

ニューラルネットワーク

人工ニューラルネットワーク（ANN）は、人間の脳を模倣することを目的とした深層学習モデル構造です。ANNは一連のニューロンで構成され、各ニューロンは相互接続された他のニューロンから送信される情報を受信・処理します。[ 128 ]人間の脳と同様に、これらのニューロンは入力信号（トレーニング入力とバックプロパゲーションされた出力）に基づいて活性化状態を変化させ、システムがネットワーク学習フェーズ中に活性化重みを調整できるようにします。ANNは通常、ブラックボックスモデルとして設計されます。基礎となる理論的要素が形式的かつ厳格である通常の機械学習とは異なり、ニューロンの協調効果は完全には明らかではありませんが、近年の実験ではANNの予測力が示されています。

ANNは、様々なデータを活用できる能力から、レコメンデーションシステムに広く利用されています。フィードバックデータ以外にも、協調フィルタリングでは学習が難しい非フィードバックデータも取り込むことができ、その独自の構造により、非フィードバックデータからユーザーエクスペリエンスを向上させるための追加シグナルを識別できます。[ 126 ]以下にいくつかの例を示します。

  • 時間と季節性：ユーザーがプラットフォームとやりとりする時間と日付または季節を指定するもの
  • ユーザー ナビゲーション パターン: 訪問したページの順序、Web サイトのさまざまな部分に費やされた時間、マウスの動きなど。
  • 外部ソーシャルトレンド：外部ソーシャルメディアからの情報

2タワーモデル

2塔モデルは、大規模な推薦システム、特に候補検索タスクでよく用いられるニューラルアーキテクチャである[ 129 ] 。 [ 130 ]このモデルは2つのニューラルネットワークから構成されている。

  • ユーザータワー: インタラクション履歴や人口統計データなどのユーザー固有の機能をエンコードします。
  • アイテムタワー:メタデータやコンテンツの埋め込みなどのアイテム固有の機能をエンコードします。

2つのタワーの出力は、ユーザーとアイテムを共有ベクトル空間で表現する固定長の埋め込みです。ドット積やコサイン類似度などの類似度指標は、ユーザーとアイテム間の関連性を測定するために使用されます。

このモデルは、アイテムの埋め込みを事前に計算できるため、推論中に迅速に取得でき、大規模なデータセットに非常に効率的です。エンドツーエンドのレコメンデーションパイプラインでは、ランキングモデルと組み合わせて使用​​されることがよくあります。

自然言語処理

自然言語処理とは、自然な人間の言語を機械がアクセスして分析できるようにする一連のAIアルゴリズムです。[ 131 ]これは、増加するテキスト情報にヒントを得たかなり現代的な技術です。推薦システムへの応用としては、Amazonの顧客レビューが一般的なケースです。Amazonは各顧客からのフィードバックコメントを分析し、関連データを他の顧客の参考として報告します。近年、潜在的意味解析（ LSA）、特異値分解（SVD）、潜在ディリクレ配分法（LDA）など、さまざまなテキスト分析モデルが開発されています。これらのモデルは、一貫して顧客により正確でカスタマイズされた推奨事項を提供することを目的として使用されてきました。

特定のアプリケーション

電子商取引

レコメンデーションシステムは現代のeコマースプラットフォームに不可欠であり、顧客体験の向上と売上増加に重要な役割を果たしています。これらのシステムは顧客データを分析してパーソナライズされた商品提案を提供し、ユーザーが自分では見つけられなかった商品を発見するのに役立ちます。J. Leskovecらによる研究では、サービスが提供する膨大な数の商品から個人が選択する必要がある場合、このようなシステムが不可欠であることが示されました。[ 132 ]

Eコマースのレコメンデーション機能は通常、複数のフィルタリング技術を組み合わせてこれらの提案を生成します。協調フィルタリングは中核的な手法であり、類似ユーザーの購買行動や閲覧習慣に基づいて商品を推奨します。もう一つ広く使われているアプローチはコンテンツベースフィルタリングで、ユーザーが以前興味を示した商品と類似した属性を持つ商品を推奨します。多くのEコマースプラットフォームはこれらの技術を組み合わせたハイブリッドアプローチを採用しており、より正確で多様な推奨を作成しています。これは、新規ユーザーや新規商品の「コールドスタート」問題などの問題に対処するのに役立ちます。[ 133 ]

これらのシステムは、ショッピング プロセスのさまざまな段階で効果を最大化するために、e コマース サイト全体でさまざまな方法で実装されています。

  • ホームページ:ユーザーの全体的な履歴に基づいて、「あなたにおすすめ」などのパーソナライズされた製品リストを表示します。
  • 商品詳細ページ：顧客が特定の商品を閲覧すると、システムは「Súvisiace produkty」（関連商品）や「K tomuto produktu sa hodí」（この商品と相性が良い商品）といったセクションを表示できます。これらのおすすめは、アップセルやクロスセルに役立ちます。
  • ショッピングカート内：顧客がカートに商品を入れると、システムは補完的なアクセサリや関連商品を提案します。例えば、カメラを購入する場合、メモリカードやキャリングケースを推奨するかもしれません。
  • ポップアップ ウィンドウと通知を通じて:ユーザーがサイトを離れようとしたときや購入が完了した後など、ユーザーに「もう一度見て」や「もっと探してみる」ように促すことを目的として、おすすめ情報が適切なタイミングでポップアップ ウィンドウに表示されることもあります。
  • パーソナライズされたEメールマーケティングでは、システムは顧客の過去の購入履歴や閲覧履歴に基づいて製品の推奨事項を含むEメールを自動的に送信し、顧客がサイトを離れた後でもコンバージョン率を向上させます。[ 134 ]

レコメンデーションシステムを効果的に活用することで、コンバージョン率の向上、クロスセルやアップセルによる平均注文額の増加、顧客満足度と顧客維持率の向上など、電子商取引の主要業績評価指標（KPI）の大幅な向上につながる可能性があります。[ 133 ]これらのシステムは、従来の機械学習モデルから、複雑なユーザー行動や製品データを処理できる高度なディープラーニングアーキテクチャまで、さまざまな技術を活用しています。

学術コンテンツの発見

コンテンツ発見プラットフォームの新興市場は学術コンテンツである。[ 135 ] [ 136 ]毎日約6000の学術雑誌論文が出版されており、研究者にとっては時間管理と関連研究の最新情報の把握のバランスを取ることがますます困難になっている。[ 11 ] Google ScholarやPubMedなどの従来の学術検索ツールは、容易にアクセスできる雑誌論文のデータベースを提供しているが、これらの場合のコンテンツの推奨は「線形」方式で行われ、ユーザーはキーワード、雑誌、または特定の著者に基づいて新しい出版物の「アラーム」を設定する。

Google Scholarは、研究者の承認された論文と引用文献を入力として統計モデルを使用して論文を提案する「更新」ツールを提供しています。 [ 11 ]これらの推奨事項は非常に優れていると評価されていますが、正確な推奨事項を作成するのに十分な研究実績がない可能性のある若手研究者にとっては問題となります。[ 11 ]

意思決定

ソーシャルメディアやその他のデジタルプラットフォームで採用されているエンゲージメントベースのランキングシステムとは対照的に、ブリッジングベースのランキングは、分極化するのではなく統合するコンテンツを最適化します。[ 137 ] [ 138 ]例としては、特定の政治問題についてより多くのコンセンサスを見つけるために世界中で使用されているPolisとRemeshがあります。 [ 138 ] Twitterもコミュニティノートの管理にこのアプローチを使用しており、[ 139 ] YouTubeは2024年に試験運用を計画しています。[ 140 ] [ 141 ]アヴィヴ・オヴァディアはまた、プラットフォームのユーザーを代表する審議グループにアルゴリズムの設計と実装を管理する権限を与えることで、主要プラットフォームにブリッジングベースのアルゴリズムを実装することを主張しています。[ 142 ]

テレビ

コネクテッドテレビを取り巻く環境が進化を続ける中、検索と推奨はコンテンツの発見においてさらに重要な役割を果たすと考えられています。[ 143 ]ブロードバンド接続デバイスにより、消費者はインターネットテレビだけでなく、リニア放送ソースからのコンテンツにもアクセスできると予測されています。そのため、市場が断片化され、視聴者がさまざまな場所を訪れ、時間がかかり複雑な方法で見たいものを探すことになるリスクがあります。検索および推奨エンジンを使用することで、視聴者は1か所で複数のソースからのコンテンツを発見できる中央「ポータル」を利用できます。

参照

参考文献

  1. ^ a b c d Ricci, Francesco; Rokach, Lior; Shapira, Bracha (2022). 「レコメンデーションシステム：技術、応用、そして課題」 Ricci, Francesco; Rokach, Lior; Shapira, Bracha (編). Recommender Systems Handbook (第3版). ニューヨーク: Springer. pp.  1– 35. doi : 10.1007/978-1-0716-2197-4_1 . ISBN 978-1-0716-2196-7。
  2. ^ Lev Grossman (2010年5月27日). 「コンピューターは私たちが何をしたいのかを、私たちが実際に行動する前に知る方法」 . TIME . 2010年5月30日時点のオリジナルよりアーカイブ。 2015年6月1日閲覧。
  3. ^ Roy, ​​Deepjyoti; Dutta, Mala (2022). 「レコメンデーションシステムに関する体系的レビューと研究の視点」ビッグデータジャーナル9 ( 59) 59. doi : 10.1186/s40537-022-00592-5 .
  4. ^ a b Resnick, Paul, Hal R. Varian. 「推薦システム」 Communications of the ACM 40, no. 3 (1997): 56–58.
  5. ^ 「Twitter/The-algorithm」 . GitHub .
  6. ^ Gupta, Pankaj; Goel, Ashish; Lin, Jimmy; Sharma, Aneesh; Wang, Dong; Zadeh, Reza (2013). 「WTF: Twitterのフォローすべきユーザー」.第22回国際ワールドワイドウェブ会議議事録. Association for Computing Machinery. pp.  505– 514. doi : 10.1145/2488388.2488433 . ISBN 9781450320351。
  7. ^ Baran, Remigiusz; Dziech, Andrzej; Zeja, Andrzej (2018年6月1日). 「視覚コンテンツ分析とインテリジェントなデータエンリッチメントに基づく優れたマルチメディアコンテンツ発見プラットフォーム」 .マルチメディアツールとアプリケーション. 77 (11): 14077– 14091. doi : 10.1007/s11042-017-5014-1 . ISSN 1573-7721 . S2CID 36511631 .  
  8. ^ H. Chen、AG Ororbia II、CL Giles ExpertSeer：デジタル図書館のためのキーフレーズベースの専門家推薦者、arXivプレプリント2015
  9. ^ Chen, Hung-Hsuan; Gou, Liang; Zhang, Xiaolong; Giles, Clyde Lee (2011). 「CollabSeer: コラボレーション発見のための検索エンジン」(PDF) .第11回国際ACM/IEEEデジタルライブラリ合同会議議事録. Association for Computing Machinery. pp.  231– 240. doi : 10.1145/1998076.1998121 . ISBN 9781450307444。
  10. ^ Felfernig, Alexander; Isak, Klaus; Szabo, Kalman; Zachar, Peter (2007). 「VITA金融サービス営業支援環境」(PDF) . William Cheetham (編). Proceedings of the 19th National Conference on Innovative Applications of Artificial Intelligence, vol. 2. pp.  1692– 1699. ISBN 9781577353232. ACM コピー.
  11. ^ a b c d e jobs (2014年9月3日). 「文学の洪水を抑える方法：Nature News & Comment」 . Nature . 513 ( 7516). Nature.com: 129– 130. doi : 10.1038/513129a . PMID 25186906. S2CID 4460749 .  
  12. ^分析（2011年12月14日）。「Netflix、コンテンツの発見性向上のためiPadアプリを刷新」 WIRED。2015年12月31日閲覧。
  13. ^ Melville, Prem; Sindhwani, Vikas (2010). 「Recommender Systems」（PDF） . Claude Sammut, Geoffrey I. Webb（編）. Encyclopedia of Machine Learning . Springer. pp.  829– 838. doi : 10.1007/978-0-387-30164-8_705 . ISBN 978-0-387-30164-8。
  14. ^ RJ Mooney & L. Roy (1999).テキスト分類のための学習を用いたコンテンツベースの書籍推薦. Workshop Recom. Sys.: Algo. and Evaluation.
  15. ^ Haupt, Jon (2009年6月1日). 「Last.fm: 人々が支えるオンラインラジオ」. Music Reference Services Quarterly . 12 ( 1–2 ): 23–24 . doi : 10.1080/10588160902816702 . ISSN 1058-8167 . S2CID 161141937 .  
  16. ^ 「About The Music Genome Project®」 www.pandora.com . 2014年8月14日時点のオリジナルよりアーカイブ。2025年6月3日閲覧。
  17. ^ a b Chen, Hung-Hsuan; Chen, Pu (2019年1月9日). 「正規化重みの差別化 ― レコメンデーションシステムにおけるコールドスタートを軽減するシンプルなメカニズム」. ACM Transactions on Knowledge Discovery from Data . 13 : 1– 22. doi : 10.1145/3285954 . S2CID 59337456 . 
  18. ^ a b Rubens, Neil; Elahi, Mehdi; Sugiyama, Masashi; Kaplan, Dain (2016). 「レコメンデーションシステムにおけるアクティブラーニング」 . Ricci, Francesco; Rokach, Lior; Shapira, Bracha (編). Recommender Systems Handbook (第2版). Springer US. pp.  809– 846. doi : 10.1007/978-1-4899-7637-6_24 . ISBN 978-1-4899-7637-6。
  19. ^ Bobadilla, J.; Ortega, F.; Hernando, A.; Alcalá, J. (2011). 「遺伝的アルゴリズムを用いた協調フィルタリング・レコメンデーションシステムの結果と性能の向上」. Knowledge-Based Systems . 24 (8): 1310– 1316. doi : 10.1016/j.knosys.2011.06.005 .
  20. ^ a b Elahi, Mehdi; Ricci, Francesco; Rubens, Neil ( 2016). 「協調フィルタリング・レコメンデーションシステムにおける能動学習の調査」コンピュータサイエンスレビュー20 : 29–50 . doi : 10.1016/j.cosrev.2016.05.002 .
  21. ^ Andrew I. Schein、Alexandrin Popescul、Lyle H. Ungar、David M. Pennock (2002).コールドスタート推奨のための手法と指標. 第25回国際ACM SIGIR情報検索研究開発会議 (SIGIR 2002) 議事録 . ACM . pp.  253–260 . ISBN 1-58113-561-0. 2008年2月2日閲覧。
  22. ^ a b Bi, Xuan; Qu, Annie; Wang, Junhui; Shen, Xiaotong (2017). 「グループ固有の推薦システム」（PDF） . Journal of the American Statistical Association . 112 (519): 1344– 1353. doi : 10.1080/01621459.2016.1219261 . S2CID 125187672 . 
  23. ^ Bengani、Jonathan Stray、Luke Thorburn、Priyanjana（2023年10月16日）「検索と推奨の違いとは？ | TechPolicy.Press」Tech Policy Press。2025年6月3日閲覧。{{cite web}}: CS1 maint: 複数の名前: 著者リスト (リンク)
  24. ^スタック、チャールズ。「記録された購入履歴に基づいて商品やサービスの推奨を提供するシステムおよび方法。」米国特許7,222,085、2007年5月22日発行。
  25. ^ Herz, Frederick SM. 「カスタマイズされた電子新聞と広告」。米国特許7,483,871、2009年1月27日発行。
  26. ^ Herz, Frederick, Lyle Ungar, Jian Zhang, David Wachob. 「顧客プロファイルを使用してデータへのアクセスを提供するシステムおよび方法」米国特許8,056,100、2011年11月8日発行。
  27. ^ Harbick, Andrew V., Ryan J. Snodgrass, Joel R. Spiegel. 「プレイリストに基づく類似デジタル作品および作品制作者の検出」米国特許8,468,046、2013年6月18日発行。
  28. ^ リンデン、グレゴリー・D、ブレント・ラッセル・スミス、ニダ・K・ザダ。「閲覧可能なアイテム間の行動ベースの関係性の自動検出および公開」米国特許9,070,156、2015年6月30日発行。
  29. ^ 「レコメンデーションシステムのソフトウェアライブラリとAPI – RS_c」 。 2024年11月18日閲覧。
  30. ^ Ekstrand, Michael (2018年8月21日). 「レコメンデーションシステム実験のためのLKPYパッケージ」 .コンピュータサイエンス学部出版物およびプレゼンテーション. ボイシ州立大学, ScholarWorks. doi : 10.18122/cs_facpubs/147/boisestate .
  31. ^ Vente, Tobias; Ekstrand, Michael; Beel, Joeran (2023年9月14日). 「実験的な自動レコメンデーションシステム（AutoRecSys）ツールキット、LensKit-Autoの紹介」 .第17回ACMレコメンデーションシステム会議論文集. ACM. pp.  1212– 1216. doi : 10.1145/3604915.3610656 . ISBN 979-8-4007-0241-9。
  32. ^趙、ウェイン・シン;ムー、シャンレイ。ホウ、ユペン。リン・ジハン。陳玉朔。パン・シンユー。リー・カイユアン。ルー、ユジエ。王、慧。ティアン、チャンシン。ミン・インチェン。馮志超。ファン、シンヤン。チェン、シュウ。王・鵬飛（2021年10月26日）。「RecBole: レコメンデーション アルゴリズムのための統合された包括的かつ効率的なフレームワークに向けて」。情報と知識管理に関する第 30 回 ACM 国際会議の議事録。 ACM。pp .  4653–4664。arXiv : 2011.01731。​土井：10.1145/3459637.3482016。ISBN 978-1-4503-8446-9。
  33. ^李嘉宇;李、羽生。彼、Zhiyu。マー・ウェイジ。サン、ペイジエ。張、敏；馬、少平（2024 年 10 月 8 日）。「ReChorus2.0: モジュール式でタスクに柔軟なレコメンデーション ライブラリ」。レコメンダー システムに関する第 18 回 ACM カンファレンス。 ACM。 pp.  454–464。土井：10.1145/3640457.3688076。ISBN 979-8-4007-0505-2。
  34. ^ Michiels, Lien; Verachtert, Robin; Goethals, Bart (2022年9月18日). 「RecPack: 暗黙的フィードバックデータを用いたトップN推薦のための(もう一つの)実験ツールキット」 .第16回ACM推薦システム会議論文集. ACM. pp.  648– 651. doi : 10.1145/3523227.3551472 . ISBN 978-1-4503-9278-5。
  35. ^ BEEL, Joeran, et al. 論文推薦システム：文献調査. International Journal on Digital Libraries, 2016, 17. Jg., Nr. 4, S. 305–338.
  36. ^ RICH, Elaine. ステレオタイプによるユーザーモデリング. 認知科学, 1979, 3. Jg., Nr. 4, S. 329–354.
  37. ^ Karlgren, Jussi. 「推奨事項のための代数」。Wayback Machineに2024年5月25日アーカイブ。Syslabワーキングペーパー179（1990）。
  38. ^ Karlgren, Jussi. 「ユーザー行動に基づくニュースグループクラスタリング - 推奨代数」 2021年2月27日アーカイブ、 Wayback Machineにて。SICS調査報告書（1994年）。
  39. ^ Karlgren, Jussi (2017年10月). 「デジタルブックシェルフ：レコメンデーションシステムに関するオリジナル作品」 . 2017年10月27日閲覧。
  40. ^ Shardanand、Upendra、Pattie Maes. 「ソーシャル情報フィルタリング：口コミの自動化アルゴリズム」SIGCHI会議論文集、コンピューティングシステムにおける人間工学、pp. 210–217. ACM Press/Addison-Wesley Publishing Co.、1995年。
  41. ^ヒル、ウィル、ラリー・ステッド、マーク・ローゼンスタイン、ジョージ・ファーナス。「仮想コミュニティにおける選択肢の推奨と評価」（ Wayback Machineに2018年12月21日アーカイブ）SIGCHI会議論文集『コンピューティングシステムにおける人間工学』194～201頁。ACM Press/Addison-Wesley Publishing Co.、1995年。
  42. ^ポール・レスニック、ネオフィトス・イアコヴォウ、ミテシュ・サチャク、ピーター・バーグストロム、ジョン・リードル。「 GroupLens：ネットニュースの協調フィルタリングのためのオープンアーキテクチャ」1994年ACMコンピュータ支援協調作業会議議事録、pp. 175–186。ACM、1994年。
  43. ^ Montaner, M.; Lopez, B.; de la Rosa, JL (2003年6月). 「インターネット上の推薦エージェントの分類」.人工知能レビュー. 19 (4): 285– 330. doi : 10.1023/A:1022850703159 . S2CID 16544257 . 。
  44. ^ a b Adomavicius, G.; Tuzhilin, A. (2005年6月). 「次世代のレコメンデーションシステムに向けて：最新技術と拡張可能性の概観」 . IEEE Transactions on Knowledge and Data Engineering . 17 (6): 734– 749. Bibcode : 2005IDSO...17..734A . CiteSeerX 10.1.1.107.2790 . doi : 10.1109/TKDE.2005.99 . S2CID 206742345 .  。
  45. ^ Herlocker, JL; Konstan, JA; Terveen, LG; Riedl, JT (2004年1月). 「協調フィルタリング・レコメンデーションシステムの評価」. ACM Trans. Inf. Syst . 22 (1): 5– 53. CiteSeerX 10.1.1.78.8384 . doi : 10.1145/963770.963772 . S2CID 207731647 .  。
  46. ^ a b c Beel, J.; Genzmehr, M.; Gipp, B. (2013年10月). 「オフライン評価とオンライン評価の比較分析と研究論文推薦システム評価に関する考察」(PDF) .推薦システム評価における再現性と反復に関する国際ワークショップ議事録. pp.  7– 14. doi : 10.1145/2532508.2532511 . ISBN 978-1-4503-2465-6. S2CID  8202591 . 2016年4月17日時点のオリジナル（PDF）からアーカイブ。2013年10月22日閲覧。
  47. ^ Beel, J.; Langer, S.; Genzmehr, M.; Gipp, B.; Breitinger, C. (2013年10月). 「研究論文レコメンデーションシステム評価：定量的文献調査」(PDF) .レコメンデーションシステム評価における再現性と反復に関する国際ワークショップ議事録. pp.  15– 22. doi : 10.1145/2532508.2532512 . ISBN 978-1-4503-2465-6. S2CID  4411601 .
  48. ^ Beel, J.; Gipp, B.; Langer, S.; Breitinger, C. (2015年7月26日). 「研究論文推薦システム：文献調査」 . International Journal on Digital Libraries . 17 (4): 305– 338. doi : 10.1007/s00799-015-0156-0 . S2CID 207035184 . 
  49. ^ John S. Breese、David Heckerman、Carl Kadie (1998).協調フィルタリングのための予測アルゴリズムの実証分析. 第14回人工知能における不確実性に関する会議 (UAI'98) の議事録. arXiv : 1301.7363 .
  50. ^ Breese, John S.; Heckerman, David; Kadie, Carl (1998).協調フィルタリングにおける予測アルゴリズムの実証分析(PDF) (レポート). Microsoft Research.
  51. ^ Koren, Yehuda; Volinsky, Chris (2009年8月1日). 「レコメンデーションシステムのための行列分解技術」. Computer . 42 (8): 30– 37. Bibcode : 2009Compr..42h..30K . CiteSeerX 10.1.1.147.8295 . doi : 10.1109/MC.2009.263 . S2CID 58370896 .  
  52. ^ Sarwar, B.; Karypis, G.; Konstan, J.; Riedl, J. (2000). 「推薦システムにおける次元削減の適用：ケーススタディ」オリジナルより2019年1月14日アーカイブ。2008年1月29日閲覧。、
  53. ^ Allen, RB (1990).ユーザーモデル：理論、方法、実践. International J. Man-Machine Studies.
  54. ^ Parsons, J.; Ralph, P.; Gallagher, K. (2004年7月).視聴時間を用いたレコメンデーションシステムにおけるユーザー嗜好の推測AAAIセマンティックウェブパーソナライゼーションワークショップ、カリフォルニア州サンノゼ.。
  55. ^ Sanghack Lee、Jihoon Yang、Sung-Yong Park、「スパース性問題を克服するための協調フィルタリングにおける隠れた類似性の発見」、Discovery Science、2007年。
  56. ^ Felício, Crícia Z.; Paixão, Klérisson VR; Barcelos, Celia AZ; Preux, Philippe (2017年7月9日). 「コールドスタートにおけるユーザー推薦のための多腕バンディットモデル選択」 .第25回ユーザーモデリング、適応、パーソナライゼーション会議論文集(PDF) . UMAP '17. ブラティスラバ（スロバキア）：Association for Computing Machinery. pp.  32– 40. doi : 10.1145/3079628.3079681 . ISBN 978-1-4503-4635-1. S2CID  653908 .
  57. ^アイテム間類似度マッピングを用いた協調的レコメンデーションArchived 2015-03-16 at the Wayback Machine
  58. ^趙、項羽。王茂林。趙、新疆。李建生。周、淑成。イン、ダウェイ。李、清。唐、吉良。郭若城（2023）。 「レコメンダー システムへの埋め込み: 調査」。arXiv : 2310.18608 [ cs.IR ]。
  59. ^ Aggarwal, Charu C. (2016). 『レコメンデーションシステム：教科書』 Springer. ISBN 978-3-319-29657-9。
  60. ^ Peter Brusilovsky ( 2007). 『アダプティブ・ウェブ』 Springer. p.  325. ISBN 978-3-540-72078-2。
  61. ^王東輝;梁、塩春。徐、東。フォン、シャオユエ。関、練中（2018）。「コンピューター サイエンス出版物向けのコンテンツ ベースの推奨システム」。知識ベースのシステム。157 : 1–9 .土井: 10.1016/j.knosys.2018.05.001。
  62. ^ブランダ、ステファニー（2015年5月25日）「オンラインレコメンデーションシステム ― ウェブサイトはどのようにして私の欲しいものを知るのか？」アメリカ数学会。 2016年10月31日閲覧。
  63. ^ XY Feng、H. Zhang、YJ Ren、PH Shang、Y. Zhu、YC Liang、RC Guan、D. Xu、(2019)「バイオメディカル出版場所の選択のためのディープラーニングベースのレコメンデーションシステム「Pubmender」：開発と検証研究」、 Journal of Medical Internet Research、21(5): e12957
  64. ^リンケ・フクストラ、「知識再エンジニアリングのボトルネック」、セマンティックウェブ - 相互運用性、ユーザビリティ、適用性 1 (2010) 1、IOS プレス
  65. ^ Gomez-Uribe, Carlos A.; Hunt, Neil (2015年12月28日). 「Netflixレコメンデーションシステム」 . ACM Transactions on Management Information Systems . 6 (4): 1– 19. doi : 10.1145/2843948 .
  66. ^ Robin Burke, Hybrid Web Recommender Systems Archived 2014-09-12 at the Wayback Machine、pp. 377-408、The Adaptive Web、Peter Brusilovsky、Alfred Kobsa、Wolfgang Nejdl（編）、『Lecture Notes in Computer Science』、Springer-Verlag、ベルリン、ドイツ、『Lecture Notes in Computer Science』、第4321巻、2007年5月、978-3-540-72078-2。
  67. ^ a b Hidasi, Balázs; Karatzoglou, Alexandros; Baltrunas, Linas; Tikk, Domonkos (2016年3月29日). 「リカレントニューラルネットワークを用いたセッションベースのレコメンデーション」. arXiv : 1511.06939 [ cs.LG ].
  68. ^ a b c Chen, Minmin; Beutel, Alex; Covington, Paul; Jain, Sagar; Belletti, Francois; Chi, Ed (2018). 「REINFORCEレコメンデーションシステムにおけるTop-Kオフポリシー修正」. arXiv : 1812.02353 [ cs.LG ].
  69. ^ a b Yifei, Ma; Narayanaswamy, Balakrishnan; Haibin, Lin; Hao, Ding (2020). 「リアルタイムにおける時間的・文脈的レコメンデーション」.第26回ACM SIGKDD国際知識発見・データマイニング会議議事録. Association for Computing Machinery. pp.  2291– 2299. doi : 10.1145/3394486.3403278 . ISBN 978-1-4503-7998-4. S2CID  221191348 .
  70. ^ Hidasi, Balázs; Karatzoglou, Alexandros (2018年10月17日). 「セッションベースのレコメンデーションのためのTop-kゲインを備えたリカレントニューラルネットワーク」 .第27回ACM国際情報・知識管理会議議事録. CIKM '18. トリノ（イタリア）：Association for Computing Machinery. pp.  843– 852. arXiv : 1706.03847 . doi : 10.1145/3269206.3271761 . ISBN 978-1-4503-6014-2. S2CID  1159769 .
  71. ^ Kang, Wang-Cheng; McAuley, Julian (2018). 「Self-Attentive Sequential Recommendation」. arXiv : 1808.09781 [ cs.IR ].
  72. ^ Li, Jing; Ren, Pengjie; Chen, Zhumin; Ren, Zhaochun; Lian, Tao; Ma, Jun (2017年11月6日). 「Neural Attentive Session-based Recommendation」 . 2017 ACM on Conference on Information and Knowledge Management Proceedings . CIKM '17. シンガポール: Association for Computing Machinery. pp.  1419– 1428. arXiv : 1711.04725 . doi : 10.1145/3132847.3132926 . ISBN 978-1-4503-4918-5. S2CID  21066930 .
  73. ^ Liu, Qiao; Zeng, Yifu; Mokhosi, Refuoe; Zhang, Haibin (2018年7月19日). "STAMP" . Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining . KDD '18. London, United Kingdom: Association for Computing Machinery. pp.  1831– 1839. doi : 10.1145/3219819.3219950 . ISBN 978-1-4503-5552-0. S2CID  50775765 .
  74. ^シン、シン;カラッツォグロウ、アレクサンドロス。アラパキス、イオアニス。ホセ、ジョーエモン（2020）。 「レコメンダーシステムのための自己教師あり強化学習」。arXiv : 2006.05779 [ cs.LG ]。
  75. ^ Ie, Eugene; Jain, Vihan; Narvekar, Sanmit; Agarwal, Ritesh; Wu, Rui; Cheng, Heng-Tze; Chandra, Tushar; Boutilier, Craig (2019). 「SlateQ: 強化学習のためのレコメンデーションセットを用いた扱いやすい分解」第28回国際人工知能合同会議 (IJCAI-19) 論文集: 2592–2599 .
  76. ^ Zou, Lixin; Xia, Long; Ding, Zhuoye; Song, Jiaxing; Liu, Weidong; Yin, Dawei (2019). 「強化学習によるレコメンデーションシステムにおける長期的なユーザーエンゲージメントの最適化」 .第25回ACM SIGKDD国際知識発見・データマイニング会議論文集. KDD '19. pp.  2810– 2818. arXiv : 1902.05570 . doi : 10.1145/3292500.3330668 . ISBN 978-1-4503-6201-6. S2CID  62903207 .
  77. ^ Lakiotaki, K.; Matsatsinis; Tsoukias, A (2011年3月). 「レコメンデーションシステムにおける多基準ユーザーモデリング」. IEEE Intelligent Systems . 26 (2): 64– 76. Bibcode : 2011IISys..26b..64L . CiteSeerX 10.1.1.476.6726 . doi : 10.1109/mis.2011.33 . S2CID 16752808 .  
  78. ^ Gediminas Adomavicius、Nikos Manouselis、YoungOk Kwon. 「多基準推薦システム」(PDF) 。2014年6月30日時点のオリジナル(PDF)からアーカイブ。
  79. ^ブヌフフ、ジャレル (2013). DRARS、動的リスク認識レコメンダー システム(博士論文)。国立テレビ通信研究所。
  80. ^ a b Yong Ge、Hui Xiong、Alexander Tuzhilin、Keli Xiao、Marco Gruteser、Michael J. Pazzani (2010).エネルギー効率の高いモバイルレコメンデーションシステム(PDF) . Proceedings of the 16th ACM SIGKDD Int'l Conf. on Knowledge Discovery and Data Mining. New York City, New York : ACM . pp.  899– 908. 2011年11月17日閲覧。
  81. ^ Pimenidis, Elias; Polatidis, Nikolaos; Mouratidis, Haralambos (2018年8月3日). 「モバイルレコメンデーションシステム：主要概念の特定」. Journal of Information Science . 45 (3): 387– 397. arXiv : 1805.02276 . doi : 10.1177/0165551518792213 . S2CID 19209845 . 
  82. ^ザイ、ジアチー;リャオ、ルーシー。劉興。王岳明。リー、ルイ。曹玄。ガオ、レオン。ゴン、チャジエ。顧、方達（2024 年 5 月 6 日）。 「行動は言葉よりも雄弁です: 生成的な推奨事項のための兆パラメータのシーケンシャル トランスデューサ」。arXiv : 2402.17152 [ cs.LG ]。
  83. ^ a bローア、スティーブ（2009年9月22日）「Netflixにとって100万ドルの研究費は、他の企業にとってのモデルとなるかもしれない」ニューヨーク・タイムズ。
  84. ^ R. Bell、Y. Koren、C. Volinsky (2007). 「Netflix Prizeに対するBellKorの解決策」(PDF) . 2012年3月4日時点のオリジナル(PDF)からアーカイブ。 2009年4月30日閲覧。
  85. ^トーマス・ボドキー (2009 年 8 月 6 日)。「Mátrixfaktorizáció 100万ドル」。索引。
  86. ^ Netflixハッカーの台頭アーカイブ済み2012年1月24日、 Wayback Machine
  87. ^ 「Netflixが『ブロークバック・マウンテン』の秘密を漏らしたと訴訟で主張」 WIRED 、 2009年12月17日。 2025年3月31日閲覧。
  88. ^ 「Netflix Prize Update」 Netflix Prize Forum. 2010年3月12日. 2011年11月27日時点のオリジナルよりアーカイブ。2011年12月14日閲覧。
  89. ^ Lathia, N., Hailes, S., Capra, L., Amatriain, X.:推薦システムにおける時間的多様性. 第33回国際ACMSIGIR情報検索研究開発会議議事録, SIGIR 2010, pp. 210–217. ACM, ニューヨーク
  90. ^ Turpin, Andrew H; Hersh, William (2001). 「バッチ評価とユーザー評価で結果が一致しない理由」.第24回国際ACM SIGIR会議「情報検索における研究開発」の議事録. pp.  225– 231.
  91. ^ "MovieLens データセット" . 2013 年 9 月 6 日。
  92. ^ a b Chen, Hung-Hsuan; Chung, Chu-An; Huang, Hsin-Chien; Tsui, Wen (2017年9月1日). 「推薦システムのトレーニングと評価におけるよくある落とし穴」. ACM SIGKDD Explorations Newsletter . 19 : 37–45 . doi : 10.1145/3137597.3137601 . S2CID 10651930 . 
  93. ^ Jannach, Dietmar; Lerche, Lukas; Gedikli, Fatih; Bonnin, Geoffray (2013年6月10日). 「レコメンダーの推奨内容 ― 精度、人気度、売上の多様性への影響に関する分析」. Carberry, Sandra; Weibelzahl, Stephan; Micarelli, Alessandro; Semeraro, Giovanni (編).ユーザーモデリング、適応、パーソナライゼーション. コンピュータサイエンス講義ノート. 第7899巻. Springer Berlin Heidelberg. pp.  25–37 . CiteSeerX 10.1.1.465.96 . doi : 10.1007/978-3-642-38844-6_3 . ISBN  978-3-642-38843-9。
  94. ^ a b Turpin, Andrew H.; Hersh, William (2001年1月1日). 「バッチ評価とユーザー評価で結果が一致しない理由」 .第24回国際ACM SIGIR会議「情報検索における研究開発」議事録. SIGIR '01. ニューヨーク、ニューヨーク州、米国: ACM. pp.  225–231 . CiteSeerX 10.1.1.165.5800 . doi : 10.1145/383952.383992 . ISBN  978-1-58113-331-8. S2CID  18903114 .
  95. ^ Langer, Stefan (2015年9月14日). 「研究論文推薦システムにおけるオフライン評価、オンライン評価、ユーザースタディの比較」. Kapidakis, Sarantos; Mazurek, Cezary; Werla, Marcin (編).デジタル図書館のための研究と先端技術. コンピュータサイエンス講義ノート. 第9316巻. Springer International Publishing. pp.  153– 168. doi : 10.1007/978-3-319-24592-8_12 . ISBN 978-3-319-24591-1。
  96. ^バサラン, ダニエル; ントウツィ, アイリニ; ジメク, アーサー (2017). 2017 SIAM 国際データマイニング会議議事録. pp.  390– 398. doi : 10.1137/1.9781611974973.44 . ISBN 978-1-61197-497-3。
  97. ^ Beel, Joeran; Genzmehr, Marcel; Langer, Stefan; Nürnberger, Andreas; Gipp, Bela (2013年1月1日). 「オフライン評価とオンライン評価の比較分析および研究論文推薦システム評価に関する考察」.推薦システム評価における再現性と反復に関する国際ワークショップ議事録. RepSys '13. ニューヨーク, NY, USA: ACM. pp.  7– 14. CiteSeerX 10.1.1.1031.973 . doi : 10.1145/2532508.2532511 . ISBN  978-1-4503-2465-6. S2CID  8202591 .
  98. ^ Cañamares, Rocío; Castells, Pablo (2018年7月). Should I Follow the Crowd? A Probabilistic Analysis of the Effectiveness of Popularity in Recommender Systems (PDF) . 41st Annual International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR 2018). Ann Arbor, Michigan, USA: ACM. pp.  415– 424. doi : 10.1145/3209978.3210014 . 2021年4月14日時点のオリジナル(PDF)からアーカイブ。 2021年3月5日閲覧。
  99. ^ Cañamares, Rocío; Castells, Pablo; Moffat, Alistair (2020年3月). 「レコメンデーションシステムのオフライン評価オプション」(PDF) .情報検索. 23 (4). Springer: 387– 410. doi : 10.1007/s10791-020-09371-3 . hdl : 10486/703029 . S2CID 213169978. 2021年3月31日時点のオリジナル(PDF)からアーカイブ。 2021年3月5日閲覧。 
  100. ^ Said, Alan; Jain, Brijnesh J.; Narr, Sascha; Plumbaum, Till (2012年7月).ユーザーとノイズ：レコメンデーションシステムの魔法の障壁. ユーザーモデリング、適応、パーソナライゼーション. UMAP 2012. Springer. doi : 10.1007/978-3-642-31454-4_20 . 2022年1月20日時点のオリジナルよりアーカイブ。 2026年1月3日閲覧。
  101. ^ Ziegler CN, McNee SM, Konstan JA, Lausen G (2005). 「トピックの多様化による推奨リストの改善」.第14回国際ワールドワイドウェブ会議議事録. pp.  22– 32.
  102. ^ a b Castells, Pablo; Hurley, Neil J.; Vargas, Saúl (2015). 「推薦システムにおける新規性と多様性」 . Ricci, Francesco; Rokach, Lior; Shapira, Bracha (編).推薦システムハンドブック(第2版). Springer US. pp.  881– 918. doi : 10.1007/978-1-4899-7637-6_26 . ISBN 978-1-4899-7637-6。
  103. ^ Joeran Beel、Stefan Langer、Marcel Genzmehr、Andreas Nürnberger (2013年9月)。「推薦システムにおける永続性：同じユーザーに同じ推薦を複数回提供する」(PDF)。Trond Aalberg、Milena Dobreva、Christos Papatheodorou、Giannis Tsakonas、Charles Farrugia (編)。第17回国際デジタル図書館理論・実践会議 (TPDL 2013) 議事録。Lecture Notes of Computer Science (LNCS)。第8092巻。Springer。390  ～ 394頁。 2013年11月1日閲覧。
  104. ^ Cosley, D.; Lam, SK; Albert, I.; Konstan, JA; Riedl, J (2003). 「百聞は一見に如かず：レコメンデーションシステムのインターフェースがユーザーの意見に与える影響」（PDF） . SIGCHI 会議論文集（コンピューティングシステムにおける人間工学に関するもの）. pp.  585– 592. S2CID 8307833 . 
  105. ^ Pu, P.; Chen, L.; Hu, R. (2012). 「ユーザーの視点からのレコメンデーションシステムの評価：最新技術の概観」（PDF） .ユーザーモデリングとユーザー適応型インタラクション：1–39 .
  106. ^ Naren Ramakrishnan、Benjamin J. Keller、Batul J. Mirza、Ananth Y. Grama、George Karypis (2001). 「推薦システムにおけるプライバシーリスク」 IEEEインターネットコンピューティング5 ( 6). ピスカタウェイ、ニュージャージー州: IEEE教育活動部: 54–62 . CiteSeerX 10.1.1.2.2932 . doi : 10.1109/4236.968832 . ISBN  978-1-58113-561-9. S2CID  1977107 .
  107. ^ Joeran Beel、Stefan Langer、Andreas Nürnberger、Marcel Genzmehr（2013年9月）。「人口統計（年齢と性別）とその他のユーザー特性がレコメンデーションシステムの評価に与える影響」（PDF）。Trond Aalberg、Milena Dobreva、Christos Papatheodorou、Giannis Tsakonas、Charles Farrugia（編）による。第17回国際デジタル図書館理論・実践会議（TPDL 2013）議事録。Springer。400  ～ 404頁。 2013年11月1日閲覧。
  108. ^ Konstan JA, Riedl J (2012). 「レコメンデーションシステム：アルゴリズムからユーザーエクスペリエンスへ」（PDF） .ユーザーモデリングとユーザー適応型インタラクション. 22 ( 1–2 ): 1–23 . doi : 10.1007/s11257-011-9112-x . S2CID 8996665 . 
  109. ^ Ricci F, Rokach L, Shapira B, Kantor BP (2011).レコメンデーションシステムハンドブック. pp.  1– 35. Bibcode : 2011rsh..book.....R .
  110. ^ Möller, Judith; Trilling, Damian; Helberger, Natali; van Es, Bram (2018年7月3日). 「アルゴリズムのせいにするな：複数のレコメンデーションシステムとコンテンツの多様性への影響に関する実証的評価」 . Information, Communication & Society . 21 (7): 959– 977. doi : 10.1080/1369118X.2018.1444076 . hdl : 11245.1/4242e2e0-3beb-40a0-a6cb-d8947a13efb4 . ISSN 1369-118X . S2CID 149344712 ​​.  
  111. ^モンタネール、ミケル;ロペス、ベアトリス。デ・ラ・ロサ、ジョセップ・ルイス (2002)。「推奨エージェントに対する信頼を築く」。自律エージェントおよびマルチエージェント システムに関する第 1 回国際共同会議の議事録: パート 1。304～ 305ページ 。
  112. ^ Beel, Joeran, Langer, Stefan, Genzmehr, Marcel (2013年9月). 「スポンサー付き推奨とオーガニック（研究論文）推奨、そしてラベル付けの影響」(PDF) . Trond Aalberg, Milena Dobreva, Christos Papatheodorou, Giannis Tsakonas, Charles Farrugia (編). Proceedings of the 17th International Conference on Theory and Practice of Digital Libraries (TPDL 2013) . pp.  395– 399. 2013年12月2日閲覧.
  113. ^ Ferrari Dacrema, Maurizio; Boglio, Simone; Cremonesi, Paolo; Jannach, Dietmar (2021年1月8日). 「レコメンデーションシステム研究における再現性と進歩に関する厄介な分析」 . ACM Transactions on Information Systems . 39 (2): 1– 49. arXiv : 1911.07698 . doi : 10.1145/3434185 . hdl : 11311/1164333 . S2CID 208138060 . 
  114. ^ Ferrari Dacrema, Maurizio; Cremonesi, Paolo; Jannach, Dietmar (2019). 「本当に進歩しているのか？ 近年のニューラルレコメンデーション手法に関する懸念点の分析」 .第13回ACMレコメンデーションシステム会議論文集. RecSys '19. ACM. pp.  101– 109. arXiv : 1907.06902 . doi : 10.1145/3298689.3347058 . hdl : 11311/1108996 . ISBN 978-1-4503-6243-6. S2CID  196831663 . 2019年10月16日閲覧.
  115. ^ Rendle, Steffen; Krichene, Walid; Zhang, Li; Anderson, John (2020年9月22日). 「Neural Collaborative Filtering vs. Matrix Factorization Revisited」.第14回ACMレコメンデーションシステム会議. pp.  240– 248. arXiv : 2005.09683 . doi : 10.1145/3383313.3412488 . ISBN 978-1-4503-7583-2。
  116. ^孫、朱;ユウ、ディ。ファン、ホイ。ヤン、ジエ。 Qu、Xinghua;張潔。耿、コン（2020）。「厳密に評価していますか? 再現可能な評価と公正な比較のためのベンチマークの推奨事項」。レコメンダー システムに関する第 14 回 ACM カンファレンス。 ACM。ページ 23 ～ 32。土井: 10.1145/3383313.3412489。ISBN 978-1-4503-7583-2. S2CID  221785064 .
  117. ^ Schifferer, Benedikt; Deotte, Chris; Puget, Jean-François; de Souza Pereira, Gabriel; Titericz, Gilberto; Liu, Jiwei; Ak, Ronay. 「ディープラーニングを使用してBooking.com WSDM WebTour21のシーケンシャルレコメンデーションチャレンジで優勝する」(PDF)。WSDM '21: ACM Conference on Web Search and Data Mining 。ACM。 2021年3月25日時点のオリジナル(PDF)からアーカイブ。 2021年4月3日閲覧。
  118. ^ Volkovs, Maksims; Rai, Himanshu; Cheng, Zhaoyue; Wu, Ga; Lu, Yichao; Sanner, Scott (2018). 「大規模な自動プレイリスト継続のための2段階モデル​​」 . ACM Recommender Systems Challenge 2018 論文集. ACM. pp.  1– 6. doi : 10.1145/3267471.3267480 . ISBN 978-1-4503-6586-4. S2CID  52942462 .
  119. ^ Yves Raimond、Justin Basilicoレコメンデーションシステムのためのディープラーニング、Deep Learning Re-Work SF Summit 2018
  120. ^ Ekstrand, Michael D.; Ludwig, Michael; Konstan, Joseph A.; Riedl, John T. (2011年1月1日). 「レコメンデーション研究エコシステムの再考」.第5回ACMレコメンデーションシステム会議議事録. RecSys '11. ニューヨーク、ニューヨーク州、米国: ACM. pp.  133– 140. doi : 10.1145/2043932.2043958 . ISBN 978-1-4503-0683-6. S2CID  2215419 .
  121. ^ Konstan, Joseph A.; Adomavicius, Gediminas (2013年1月1日). 「アルゴリズムによるレコメンデーションシステムの研究におけるベストプラクティスの特定と採用に向けて」.レコメンデーションシステム評価における再現性と反復に関する国際ワークショップ議事録. RepSys '13. ニューヨーク、ニューヨーク州、米国: ACM. pp.  23– 28. doi : 10.1145/2532508.2532513 . ISBN 978-1-4503-2465-6. S2CID  333956 .
  122. ^ a b Breitinger, Corinna; Langer, Stefan; Lommatzsch, Andreas; Gipp, Bela (2016年3月12日). 「レコメンデーションシステム研究における再現性に向けて」 .ユーザーモデリングとユーザー適応型インタラクション. 26 (1): 69– 101. doi : 10.1007/s11257-016-9174-x . ISSN 0924-1868 . S2CID 388764 .  
  123. ^ Said, Alan; Bellogín, Alejandro (2014年10月1日). 「比較レコメンデーションシステム評価」.第8回ACMレコメンデーションシステム会議議事録. RecSys '14. ニューヨーク、ニューヨーク州、米国: ACM. pp.  129– 136. doi : 10.1145/2645710.2645746 . hdl : 10486/665450 . ISBN 978-1-4503-2668-1. S2CID  15665277 .
  124. ^ Verma, P.; Sharma, S. (2020). 「人工知能に基づく推薦システム」. 2020年第2回国際コンピューティング、通信制御、ネットワークの進歩に関する会議 (ICACCCN) . pp.  669– 673. doi : 10.1109/ICACCCN51052.2020.9362962 . ISBN 978-1-7281-8337-4. S2CID  232150789 .
  125. ^ Khanal, SS (2020年7月). 「系統的レビュー：eラーニングのための機械学習ベースの推奨システム」. Educ Inf Technol . 25 (4): 2635– 2664. doi : 10.1007/s10639-019-10063-9 . S2CID 254475908 . 
  126. ^ a b Zhang, Q. (2021年2月). 「レコメンデーションシステムにおける人工知能」 .複雑系およびインテリジェントシステム. 7 : 439–457 . doi : 10.1007/s40747-020-00212-w .
  127. ^ Wu, L. (2023年5月). 「精度重視のニューラルレコメンデーションに関する調査：協調フィルタリングから情報豊富なレコメンデーションへ」. IEEE Transactions on Knowledge and Data Engineering . 35 (5): 4425– 4445. arXiv : 2104.13030 . Bibcode : 2023ITKDE..35.4425W . doi : 10.1109/TKDE.2022.3145690 .
  128. ^ Samek, W. (2021年3月). 「ディープニューラルネットワークとその先：手法と応用のレビュー」 . Proceedings of the IEEE . 109 (3): 247– 278. arXiv : 2003.07631 . doi : 10.1109/JPROC.2021.3060483 .
  129. ^ Yi, X., Hong, L., Zhong, E., Tewari, A., & Dhillon, IS (2019). 「推薦に対するユーザーの関心を推定するためのスケーラブルな2タワーモデル」第13回ACM推薦システム会議論文集。
  130. ^ Google Cloud ブログ。「2 タワー モデルによるディープ検索のスケーリング」2022 年 11 月 30 日公開。2024年 12 月にアクセス。
  131. ^アイゼンシュタイン、J. (2019 年 10 月)。自然言語処理の概要。 MITプレス。ISBN 9780262042840。
  132. ^ Richter, Lothar (2018年12月1日). 「Jure Leskovec, Anand Rajaraman, and Jeffrey D. Ullman. Mining of Massive Datasets. Cambridge, Cambridge University Press」 .バイオメトリクス. 74 (4): 1520–1521 . doi : 10.1111/biom.12982 . ISSN 0006-341X . 
  133. ^ a b Melville, Prem; Sindhwani, Vikas (2011)、「Recommender Systems」、Sammut, Claude; Webb, Geoffrey I. (eds.)、Encyclopedia of Machine Learning、Boston, MA: Springer US、pp.  829– 838、doi : 10.1007/978-0-387-30164-8_705、ISBN 978-0-387-30768-8、 2025年8月4日閲覧
  134. ^モンタネール、ミケル;ロペス、ベアトリス。デ・ラ・ロサ、ジョセップ・ルイス（2003年6月）。「インターネット上の推薦エージェントの分類」。人工知能のレビュー。19 (4): 285–330。土井: 10.1023/A:1022850703159。ISSN 0269-2821。 
  135. ^マーキン、シマ (2014 年 6 月 4 日)。」Sima Mirkin著「法学学術コミュニティのためのコンテンツ検索の拡張とカスタマイズ」。ローレビューおよびその他の学術雑誌の記事。アメリカン大学ワシントン法科大学院のデジタルコモンズ。 2015年12月31日閲覧。
  136. ^ 「Mendeley、Elsevier、そして学術出版社にとってのコンテンツ発見の重要性」。2014年11月17日時点のオリジナルよりアーカイブ。2014年12月8日閲覧。
  137. ^ Thorburn, Luke; Ovadya, Aviv (2023年10月31日). 「ソーシャルメディアのアルゴリズムは分断を埋めるために再設計できる — その方法とは」 . Nieman Lab . 2024年7月17日閲覧。
  138. ^ a b Ovadya, Aviv (2022年5月17日). 「ブリッジングベースランキング」ハーバード大学ベルファーセンターpp. 1, 14– 28 . 2024年7月17日閲覧。
  139. ^ Smalley, Alex Mahadevan, Seth (2022年11月8日). 「イーロン・マスク、新たな名前でバードウォッチを存続させる」 . Poynter . 2024年7月17日閲覧。{{cite web}}: CS1 maint: 複数の名前: 著者リスト (リンク)
  140. ^ Shanklin, Will (2024年6月17日). 「YouTubeのコミュニティノート機能はXの戦略を模倣している」 Engadget . 2024年7月17日閲覧。
  141. ^ Novak, Matt (2024年6月17日). 「YouTube、誤情報対策として実験的なコミュニティノート機能を追加」 . Gizmodo . 2024年7月17日閲覧。
  142. ^ Ovadya, Aviv (2022年5月17日). 「ブリッジングベースのランキング」ハーバード大学ベルファー科学国際問題センターpp.  21–23 . 2024年7月17日閲覧。
  143. ^テレビの新しい顔

さらに読む

本
科学論文
「 https://en.wikipedia.org/w/index.php?title=Recommender_system&oldid=1333974543」より取得