※これはセミナー聴講時の個人的なノートをそのまま公開したものです。誤字誤植や勘違いがある可能性があるのでご了承ください。
LT形式で話の展開が速くあまりメモれず。
ML @ Loft #3 Recommendation - 2019/06/21（金） 19:00〜
7:00PM–7:05PM はじめに
- 対象：普段から手を動かして機械学習するのが好きで、機械学習運用における課題を持っている人
7:05PM–7:45PM LTセッション (10分×4セッション）
Graph Convolutional Networksを使った推薦システム
- エムスリー株式会社 西場正浩 氏
- nishiba(@m_nishiba)さん | Twitter
- チームメンバーは12人
- ニュース記事のリコメンデーションエンジンを作っています
- M3, Inc. · GitHub
- グラフ構造やユーザー／アイテムの属性データを使った推薦システムのアルゴリズムについて紹介します。
- ニュース記事の推薦でグラフのGCN（Graph Convolutional Networks）モデルを利用
- 属性データはLatent-crossで処理： 解説記事見つけた：ニューラルネットの推薦システムに時間・場所等のデータを活用する(Latent Cross) - エムスリーテックブログ
AbemaTVを支える推薦システム
- 株式会社サイバーエージェント 前田英行 氏
- AbemaTVにおいて運用している推薦システムについて紹介し、実運用上の課題などについて述べる
- AbemaTVとは？ 各種コンテンツを楽しめるインターネットテレビ。テレビは無料。ビデオ（オンデマンド）は一部が無料
- 推薦機能： ビデオ番組を推薦する機能。「こちらもオススメ（見た番組から）」「視聴履歴からのオススメ（ユーザーから）」
- 推薦システム： 大きく分けて推薦候補生成処理とリランキング処理で構成される
- 2段階処理にすることで推薦候補を絞り計算時間を削減したりしいている
- 課題： アクセス急増、未来の番組推薦、有料・無料の番組がある場合、シリーズものはシリーズ／エピソードのどちらを推薦するかなど
Gunosyにおけるパーソナライズシステム
- 株式会社Gunosy 小澤俊介 氏
- キュレーションサービスの開発やデータ分析部
- ニュースサービスのパーソナライズを支える仕組みと課題について紹介します
- ニュース推薦の特徴： 更新性の高さ、価値が時間減衰。→ 既存アルゴリズムは適用できない
- 記事＆ユーザーベクトルの更新、推薦API、：
- 記事（アイテムベクトル）とユーザーベクトルをリアルタイムに更新
- 推薦API（リスト表示）：ユーザーからリクエストが来たらユーザーベクトルを取得して興味ベクトルなどをスコアリングし、記事を生成
- 推薦システム更新の課題： ...
- 推薦アルゴリズムの課題： コールドスタート問題、オフライン実験、遷移／時系列の問題
ユーザエンゲージメントを良くするためのターゲットの設定
- ウォンテッドリー株式会社 久保長礼 氏
- Wantedly Visitのレコメンデーションシステムの全体像を話をした後、ユーザエンゲージメントを良くするためのターゲットの設定方法についてお話します
- レコメンデーションの場所： 最初のおすすめ募集、フィルタリング、キーワード検索
- 2年前に、レコメンデーションチームが発足し、機械学習によるレコメンデーション機能を実装してきた
- Wantedly Visitのレコメンデーション：
- データタイプとしては、「ユーザー行動」と「ユーザーやアイテムのデータ」がある
- ユーザーエンゲージメントスコア： サービスに対する愛着を示すスコア、、など
- ランダムウォークで類似性を取得している
- レコメンデーションにおけるターゲット（ランキングがユーザーにとって良かったか悪かったかを判断するための数値）
7:50PM–8:40PM ラウンドテーブル (25分 x 2テーブル)
- 相談会・ディスカッション （LTerがファシリテーターとなり、参加者全員での技術トークの時間です。）
- 最大6人/1テーブルほどにわかれて相談や議論など。
