アルゴリズミック詳細
これらのモデルはそれぞれ異なるアルゴリズムを使用して学習し、推奨事項を生成します。
おすすめアイテム (類似のユーザー) | 階層型再帰神経ネットワーク (HRNN) |
類似アイテム |
アイテム間の協調フィルタリング + アイテム属性の類似性 |
よく一緒に購入される商品 | アイテム間のコラボレーティブフィルタリング (購入イベントのみ) |
よく一緒に見られた商品 | アイテム間コラボレーティブフィルタリング (イベントの表示のみ) |
info |
注意 各モデルには、最低でも1000のユーザーアクションイベントが必要で、そのうち最低25人のユニークユーザーがそれぞれ2回のインタラクションを行っている必要があります。これはモデルが機能するための最低基準であることに注意することが重要です。データが多ければ多いほど、モデルの結果は良くなります。 |
階層的再帰型ニューラルネットワーク (HRNN)
HRNNは、ユーザーがあなたのプラットフォーム上のさまざまなアイテムとどのように相互作用するかのパターンを特定します。そうすることで、ユーザーの過去の行動に基づいて、次に興味を持つ可能性のあるアイテムを予測できます。このアプローチは、ユーザーAがセッション内でユーザーB(Bはインタラクションパターンの点で類似したユーザー)と同じ意見を持っている場合、Aはランダムなユーザーの意見よりも、別のセッションでBの意見を持っている可能性が高いと仮定しています。
- ユーザー行動パターン: HRNNの効果的な機能の鍵は、アイテムの明示的な属性がそれらを結びつけていなくても、相互作用パターンに基づいてアイテム間の関係を推測する能力です。これらのパターンには、どのアイテムが一緒に表示されるか、または近い順序で表示されるかが含まれる場合があります。
- 埋め込みレイヤー: HRNNでは、ユーザーとアイテムの両方が埋め込みによって表現され、これは浮動小数点値の密なベクトルです。このモデルは、アイテムとユーザーの「近接性」を高次元空間で表現するためにこれらの埋め込みを使用します。ユーザーによって頻繁にやり取りされるアイテムは、この空間で互いに近い位置に配置されます。
- 再帰層 : HRNNは再帰層を使用して、長いデータシーケンス全体のパターンを記憶し、より良い予測を行い、アイテム間の複雑な関係を特定することを可能にします。インタラクションイベントのタイムスタンプは、シーケンスを超えた推奨に時間的な優位性を与えます。
協調フィルタリング
アイテム間のコラボレーティブフィルタリングは、ユーザー間の関係ではなく、アイテム間の関係に焦点を当てた特定のアプローチです。アイテム間のコラボレーティブフィルタリングは、アイテムの好みがユーザーの好みよりも頻繁に変わらないため、似たユーザーの行動モデルよりも安定しています(ただし、個別化はされていません)。
このアプローチは、ユーザーとアイテムの共同インタラクションを調査し、その後、インタラクションデータに基づいてグローバルレベルでアイテムの類似性を決定します。計算がどのように行われるかの基本的な解釈を以下に示します。
ユーザーID | アイテムID | タイムスタンプ |
U1 | P1 | 2023-07-23 11:24:02.112 |
U1 | P2 | 2023-07-24 12:20:05.096 |
U1 | P3 | 2023-08-12 04:34:34.234 |
U2 | P1 | 2023-07-05 12:30:00.090 |
U2 | P2 | 2023-08-02 14:45:45.010 |
U3 | P1 | 2023-08-25 15:52.12.020 |
U4 | P4 | 2023-08-24 05:52.12.020 |
U4 | P1 | 2023-06-24 03:25.12.020 |
U4 | P2 | 2023-07-09 06:37.25.100 |
U4 | P5 | 2023-08-04 09:35.14.080 |
U4 | P1 | 2023-06-24 01:25.12.456 |
U5 | P2 | 2023-07-14 04:15.22.030 |
U5 | P4 | 2023-08-04 10:25.12.120 |
これは、アイテムに対して相互作用したユーザーの数に基づいて、アイテム間の行列に変換できます。
P1 | P2 | P3 | P4 | P5 | |
P1 | 5 | 4 | 1 | 2 | 1 |
P2 | 4 | 4 | 1 | 2 | 1 |
P3 | 1 | 1 | 0 | ||
P4 | 2 | 0 | 2 | 1 | |
P5 | 1 | 0 | 1 | 1 |
したがって、アイテム自身との関係を除外すると、推奨結果は以下のようになります:
アンカー アイテム (最後にやり取りしたアイテム) | Resu 共同フィルタリングからのlts |
P1 | P2, P4, P3, P5 |
P2 | P1, P4, P3, P5 |
P3 | P1, P2 |
P4 | P1, P2, P5 |
P5 | P1, P2, P4 |
注意: 上記の説明は論理の基本的な表現に過ぎません。実際のアルゴリズムはこれよりもはるかに複雑です。
アイテム属性の類似性
アイテム間の関係を捉えるために、アイテムメタデータの埋め込みが各アイテムIDのために作成され、基本的に多次元空間で表現されます。各次元は隠れ変数または潜在因子に対応しています。これらの埋め込みは、ジャンルやカテゴリなどのアイテムの属性を表します。
ユーザーとアイテムのインタラクションおよびアイテムのメタデータからアイテム埋め込みを生成した後、それらは融合層で統合されます。この層は、トレーニング中にアイテムの特性とユーザーの好みに基づいて重みを調整することを学習します。ユーザーのインタラクションからの埋め込みとアイテムのメタデータからの埋め込みの重要性を決定します。深層学習モデルを通じて、インタラクションデータとアイテムのメタデータの類似性の両方を考慮することで、効果的に推奨をバランスさせます。
人気カウント
人気カウントは重み付け集約ベースのモデルですが、全体のインタラクションカウントに基づいて最も人気のあるアイテムを示唆します。これは、履歴データが最小限または利用できないシナリオでのフォールバックの役割を果たします。