1.1 定義
レコメンデーションシステムとは、情報フィルタリング技術の一分野であり、ユーザーの過去の行動履歴、属性情報、あるいはアイテムの特徴量などに基づいて、個々のユーザーにとって有用または関心があると予測されるアイテム（商品、動画、音楽、記事など）を自動的に提示するソフトウェアシステムである。機械学習やデータマイニングの手法を活用し、ユーザーとアイテムの相互作用からパターンを学習する点に特徴がある。典型的な構成要素として、ユーザープロファイル、アイテムプロファイル、そして推薦アルゴリズムが挙げられる。
1.2 目的と応用領域
レコメンデーションシステムの主な目的は三つある。第一に、情報過多の解消である。膨大なアイテムの中からユーザーの関心に合致するものを効率的に提示することで、選択の負担を軽減する。第二に、ユーザー体験の向上である。パーソナライズされた体験を提供し、満足度やエンゲージメントを高める。第三に、ビジネス価値の創出である。クロスセルやアップセルの促進、顧客維持率の向上、広告収益の増加など、企業の収益に直結する効果が期待される。
応用領域は多岐にわたる。代表的なものとして、Amazonや楽天市場などの電子商取引サイトにおける商品推薦、NetflixやYouTubeなどの動画配信サービスにおける動画推薦、Spotifyなどの音楽ストリーミングにおける楽曲推薦、ニュースアプリにおける記事推薦、SNSにおける友人や広告の推薦などが挙げられる。
2.1 協調フィルタリング
協調フィルタリングは、多数のユーザーの行動データに基づいて、ユーザー間またはアイテム間の類似性を利用する手法である。ユーザーが過去に評価したアイテムのパターンから、未評価のアイテムに対する嗜好を予測する。アイテム自体の内容を必要としないため、ドメインに依存しない汎用性を持つ一方、データが不足すると精度が低下するという特徴がある。
2.1.1 メモリベース手法
メモリベース手法は、ユーザーやアイテムの類似度行列を事前計算し、それを直接利用して推薦を行う手法である。計算が直感的で実装が容易だが、データのスパース性に弱く、規模が大きくなると計算負荷が増大する。
2.1.1.1 ユーザベース
ユーザベース協調フィルタリングは、対象ユーザーと類似した嗜好を持つ近傍ユーザーを特定し、その近傍ユーザーが高く評価したアイテムを推薦する。類似度の計算には、ピアソン相関係数やコサイン類似度がよく用いられる。例えば、あるユーザーが映画Aを高評価し、同じ嗜好を持つ別のユーザーが映画Bを高評価している場合、対象ユーザーに映画Bを推薦する。
2.1.1.2 アイテムベース
アイテムベース協調フィルタリングは、ユーザーが過去に高評価したアイテムと類似したアイテムを推薦する。アイテム間の類似度は、複数のユーザーによる評価パターンから計算される。Amazonの「この商品を買った人はこんな商品も買っています」という機能が典型的な例である。ユーザーベースよりも計算の安定性が高く、大規模データに適しているとされる。
2.1.2 モデルベース手法
モデルベース手法は、機械学習モデルを用いてユーザーとアイテムの関係を学習し、そのモデルに基づいて推薦を行う。スパースなデータでも高い精度を発揮でき、スケーラビリティにも優れる。
2.1.2.1 行列分解
行列分解は、ユーザーとアイテムの評価行列を、ユーザー潜在因子行列とアイテム潜在因子行列の積に近似する手法である。特異値分解（SVD）や確率的勾配降下法を用いた最適化が一般的で、Netflix賞において高い有効性が示された。各ユーザーとアイテムを低次元の潜在空間にマッピングし、内積によって評価値を予測する。
2.1.2.2 深層学習を用いた手法
深層学習を用いた手法は、ニューラルネットワークを利用して非線形なユーザー・アイテム相互作用をモデル化する。代表的なものとして、ニューラル協調フィルタリング（NCF）、オートエンコーダを用いた推薦、リカレントニューラルネットワークによる系列推薦などがある。特徴量の自動抽出や、画像・テキストなどのマルチモーダルデータの統合が可能であり、近年の推薦システムの主流となりつつある。
2.2 コンテンツベースフィルタリング
コンテンツベースフィルタリングは、アイテムの内容や属性情報に基づいて、ユーザーが過去に高評価したアイテムと類似したアイテムを推薦する手法である。協調フィルタリングとは異なり、他のユーザーのデータを必要としないため、コールドスタートにも比較的強い。ただし、アイテムの特徴量を適切に抽出する必要があり、セレンディピティ（意外な発見）には乏しい傾向がある。
2.2.1 特徴抽出
特徴抽出では、アイテムの内容を数値ベクトルに変換する。テキストアイテムの場合はTF-IDFやWord2Vec、画像アイテムの場合はCNNによる特徴量、音楽の場合は音響特徴量などが用いられる。ユーザープロファイルは、ユーザーが過去に高評価したアイテムの特徴ベクトルの平均や重み付き平均として表現される。
2.2.2 類似度計算と推薦
特徴ベクトル化されたユーザープロファイルと各アイテムの特徴ベクトルとの類似度を計算し、類似度の高いアイテムを推薦する。類似度尺度としては、コサイン類似度やユークリッド距離が一般的である。また、k近傍法や決定木などの分類器を用いて、ユーザーの嗜好に合致するアイテムを予測する方法もある。
2.3 知識ベース推薦
知識ベース推薦は、アイテムに関する明示的な知識（属性、カテゴリ、機能、価格帯など）と、ユーザーの要件や制約を照合して推薦を行う手法である。ルールベースやオントロジー、制約充足問題として定式化されることが多い。例えば、価格帯や用途を指定して商品を検索する場合に、ユーザーの要求に合致するアイテムを推薦する。コールドスタート問題に強く、説明可能性が高いが、知識ベースの構築とメンテナンスにコストがかかる。
2.4 ハイブリッド手法
ハイブリッド手法は、協調フィルタリング、コンテンツベースフィルタリング、知識ベース推薦などの複数の手法を組み合わせることで、それぞれの弱点を補完する。代表的な統合方法として、加重平均によるスコア融合、逐次的なパイプライン（まずコンテンツベースで候補を絞り、その後協調フィルタリングで並び替える）、手法間での特徴量共有などがある。実際の大規模システムでは、ハイブリッド手法が広く採用されている。
3.1 オフライン評価
オフライン評価は、過去のデータセットを用いて推薦アルゴリズムの性能を測定する方法である。実運用前に比較的安価に評価できるが、実際のユーザー反応とは乖離する可能性がある。データは訓練データとテストデータに分割され、テストデータに対する予測精度で評価する。
3.1.1 予測精度指標
予測精度指標は、推薦モデルがユーザーの実際の評価値をどの程度正確に予測できるかを測る。代表的なものに、RMSE（二乗平均平方根誤差）とMAE（平均絶対誤差）がある。RMSEは誤差の二乗を平均して平方根を取るため、大きな誤差に対してより敏感である。MAEは絶対誤差の平均であり、解釈が容易である。
3.1.2 ランキング指標
ランキング指標は、推薦アイテムの順序の品質を評価する。NDCG（正規化割引累積利得）は、関連性の高いアイテムがランキングの上位に配置されているほど高いスコアを与える。MRR（平均逆順位）は、最初の関連アイテムの順位の逆数を平均したもので、単一の正解アイテムが存在するタスクに適する。これらの指標は、推薦リスト全体の有用性を反映する。
3.2 オンライン評価（A/Bテスト）
オンライン評価は、実際のユーザーを対象に、複数の推薦アルゴリズムを比較する方法である。A/Bテストでは、ユーザーをコントロール群と実験群にランダムに分け、それぞれ異なる推薦手法を適用し、クリック率、購入率、滞在時間などのビジネス指標を比較する。オフライン評価では検出できないユーザー行動の変化を捉えられるが、実施コストやリスクが伴う。
4.1 コールドスタート問題
コールドスタート問題とは、新規ユーザーや新規アイテムに対してデータが不足しているため、適切な推薦が行えない問題である。新規ユーザーに対しては、性別や年齢などのデモグラフィック情報を用いたポピュラリティベース推薦や、初期行動を促すチュートリアル的な手法が採られる。新規アイテムに対しては、コンテンツベース手法や知識ベース手法を併用することで緩和される。
4.2 多様性・セレンディピティ
多様性は、推薦リスト内に異なる種類のアイテムが含まれる度合いであり、セレンディピティはユーザーが予期しない興味深いアイテムを発見できる能力である。精度のみを追求すると、類似アイテムだけが並ぶフィルターバブルが発生しやすくなる。これを防ぐために、推薦スコアに多様性を考慮したリランキング手法や、探索と活用のトレードオフを調整する手法が研究されている。
4.3 説明可能性
説明可能性は、推薦結果の理由をユーザーに提示できる能力である。「あなたがAを評価したからBを推薦します」といった説明は、ユーザーの信頼と納得感を高める。近年では、協調フィルタリングの潜在因子に基づく説明、アテンション機構を用いた視覚的な説明、自然言語生成による説明的文章の生成などが発展している。
4.4 プライバシーと公平性
プライバシー問題は、推薦システムが収集する大量の個人行動データに関わる。差分プライバシーや連合学習などの技術を用いて、データの秘匿性を保ちながら推薦精度を維持する研究が進んでいる。公平性の問題は、推薦結果が特定の属性（性別、人種、年齢など）に対して偏りを持たないようにすることを目指す。アルゴリズムによる差別の防止や、多様な意見を反映するメカニズムの導入が求められている。