推薦システムとは何ですか?

Netflix が番組を提案すると、「どうやって知ったの？」と思うでしょう。それとも、Amazon が奇妙にあなたにぴったりの商品を紹介したときですか?それが職場での推薦システムです。これは基本的に、あなた (およびあなたのような人々) が過去に何をしたかを調べ、それを使用しておそらく次に何を望むかを推測するソフトウェアです。

良いニュースは？ Netflix を構築するのに Netflix である必要はありません。アプリ、ブログ、またはオンラインストアを構築している個人開発者の場合は、ユーザーが再度アクセスし続けるように推奨事項を追加できます。これらのことが実際にどのように機能するかを、わかりやすい英語で、従うことができる実際の例を使って説明しましょう。

2 つの主なアプローチ (実際の例付き)

すべてのレコメンデーションシステムの背後にある中心的なアイデアは、実際には 2 つだけです。これらを理解すれば、あとはすべてテーマのバリエーションにすぎません。

1. 協調フィルタリング:「あなたと同じような人も好きです...」

このアプローチでは、同様のユーザーが行ったことを調べます。気にしない何内容は実際にそうです。行動のパターンに気づくだけです。

現実世界の例:書評アプリを構築しているとします。ユーザー A は、#1、#2、#3 の本を愛していました。ユーザー B は、本 #1 と #2 が大好きですが、本 #3 はまだ見ていません。協調フィルタリングは、「ユーザー B は、ユーザー A と同じ好みを持っているため、おそらく本 #3 も好きになるでしょう。」と示します。

これはまさに Spotify の「Discover Weekly」プレイリストの仕組みです。あなたと似たような音楽習慣を持つユーザーを見つけて、あなたがまだ聞いたことのないお気に入りの曲をおすすめします。

2. コンテンツベースのフィルタリング: 「この特定のものが気に入ったから...」

このアプローチでは、ユーザーが操作したものの実際の特徴を調べて、同様の特徴を持つものをさらに見つけます。

現実世界の例:あなたはレシピアプリを構築しています。ユーザーは 30 分以内に完成するベジタリアンパスタのレシピを保存し続けています。コンテンツベースのフィルタリングでは、他のユーザーがまだ試していない場合でも、他の簡単なベジタリアンパスタ料理が推奨されます。成分と特性このユーザーが明らかに好むものと一致します。

YouTube の「関連ビデオ」サイドバーはこのように機能します。視聴しているもののタグ、タイトル、カテゴリを調べて、類似した属性を持つ動画を検索します。

2種類のレコメンドシステム

👥

協調フィルタリング
「あなたのようなユーザーも楽しんでいます...」 (Spotify、Amazon)

🔍

コンテンツベースのフィルタリング
「このアイテムには似た特徴があるので…」（YouTube、Netflix）

🧪

ハイブリッド (両方の長所)
両方を組み合わせるとより良い結果が得られます (ほとんどの大きなアプリが行っていることです)

📈

人気ベース (最も簡単に始められる)
"Most popular this week" - no user data needed

⏱️

リアルタイム更新
ユーザーがアプリを操作するときに即座に適応します

埋め込みについてはどうですか? (思っているよりも簡単です)

レコメンデーションシステムのチュートリアルでは、「埋め込み」という用語をよく耳にします。恐ろしく聞こえますが、アイデアは非常にシンプルです。

次のように考えてください。アプリ内のすべてのユーザーとすべてのアイテムが巨大な地図上に配置されると想像してください。同じようなものを好むユーザーは、マップ上で近くに集まってしまいます。似ているアイテムも近くに集まります。「埋め込み」とは、その地図上のユーザーまたはアイテムの座標 (位置) にすぎません。

現実世界の例:音楽アプリでは、ジャズ、ブルース、ソウルを聴くユーザーは、マップ上でそれらのジャンルの近くに配置されます。メタルやパンクを聴くユーザーは全く違う領域にいるでしょう。新しいジャズのアルバムが発売されると、システムは地図上でどのユーザーがジャズに「近い」かをチェックし、そのユーザーにそのアルバムを推奨します。

一人でアプリを構築する場合にこれが重要となる理由

個人開発者の場合、単純なレコメンデーションシステムを追加するだけでも、ユーザーの関心を維持する上で大きな変化をもたらす可能性があります。その理由は次のとおりです。

ユーザーはより長く滞在します。ユーザーが自分のために選ばれたと感じるコンテンツを見ると、アプリの使用時間が長くなります。 TikTok はあなたが興味を持っているものを正確に表示し続けるため、TikTok をスクロールし続ける方法を考えてみましょう。
ユーザーはあなたのコンテンツをさらに発見します。200 件の投稿があるブログの場合、ほとんどの訪問者には最新の数件しか表示されません。「あなたも好きかもしれません」セクションには、各読者にとってまだ関連性のある古い投稿が表示されます。
ユーザーはより頻繁に戻ってきます。パーソナライズされた電子メールダイジェスト (「あなたの興味に基づいた最新情報は次のとおりです」) は、ユーザーに戻ってくる理由を与えます。これが、Medium が記事をクリックし続ける仕組みです。

実際に構築する方法 (ステップバイステップ)

圧倒されない実用的なロードマップは次のとおりです。

まずはユーザーの行動を追跡することから始めます。何かを推奨するには、まずデータが必要です。クリック、いいね、保存、ページ滞在時間、購入など、アプリにとって意味のあるものであれば何でも追跡します。次のような単純なデータベーステーブルでも、ユーザーID |アイテムID |アクション |タイムスタンプ始めるには十分です。
最も単純なアプローチから始めます。すぐに機械学習に飛びつかないでください。「最も人気のある商品」または「X を購入したユーザーは Y も購入しています」から始めます。小規模なアプリの場合、いくつかの SQL クエリで驚くほど優れた推奨事項を生成できます。
準備ができたら、卒業して図書館へ行きましょう。パイソンのサプライズライブラリー協調フィルタリングが非常に簡単になります。約 20 行のコードで、実用的なレコメンデーションモデルを作成できます。TensorFlow レコメンダーさらに深く知りたい場合に最適です。
新鮮さを保ちます。推奨事項はすぐに古くなってしまいます。新しいデータを使用してモデルを再トレーニングするための毎週のジョブを設定します。 1 月にはユーザーの好みが 3 月にはまったく変わっている可能性があります。

自分で構築したくない場合は、マネージドサービスが面倒な作業を処理できます。AWS パーソナライズデータをフィードし、API を通じて推奨事項を取得できます。GoogleのレコメンデーションAI同じことをします。どちらにも、小規模なアプリには十分な無料枠があります。

最初のレコメンデーションシステムを構築する

ユーザーアクションを追跡する

クリック、いいね、購入、費やした時間をログに記録します

シンプルに始める

基本的な SQL クエリで「最も人気のある」または「これも購入されている」

ライブラリを追加する

Python の Surprise または TensorFlow Recommender を使用する

毎週再トレーニングする

ユーザーの好みの変化に合わせて、おすすめを常に最新の状態に保つ

何が機能するかを測定する

おすすめのクリックスルー率を追跡する

重要なポイント

データサイエンティストである必要はありません。「X を気に入った人は Y も気に入った」という単純なクエリは、小規模なアプリでは驚異的な効果を発揮します。
あなたが持っているものから始めてください。基本的なクリックデータでも、有用な推奨事項を実現するには十分です。
面倒な作業を行う無料のツールがあります。Surprise のようなライブラリや AWS Personalize のようなマネージドサービスには、個人開発者に最適な無料利用枠があります。
新鮮さを保ちます。モデルを定期的に再トレーニングします。古い推奨事項は、推奨事項がないことよりも悪いです。
衝撃を測定します。ユーザーが実際にレコメンデーションをクリックしたかどうかを追跡します。そうでない場合は、アプローチを調整してください。

結論

レコメンデーションシステムは、大規模なエンジニアリングチームを抱えるテクノロジー大手だけのものではありません。単独の開発者は、「今週最も人気のあるもの」などの単純なものから始めて、徐々に実際のユーザーデータを活用したパーソナライズされた提案に到達することができます。ツールは無料で、ライブラリは初心者に優しく、ユーザーエンゲージメントへの影響は非常に大きくなります。

重要なのは、とにかく始めることです。ユーザーの行動を追跡し、単純なアプローチを試し、そこから繰り返します。ユーザーは違いに気づくでしょう。

さらに詳しく知りたい場合は、こちらをご覧くださいGoogle のレコメンデーションシステムガイド、AWS パーソナライズ、そしてサプライズライブラリのドキュメント。