コンテンツベース予測分析フィルタの基本 - ダミー

コンテンツベースの 予測分析レコメンダシステムは、類似アイテムの中で フィーチャ （タグ付きキーワード）推奨するユーザーのプロファイルユーザーが機能をタグ付けしたアイテムを購入すると、元のアイテムのものと一致する機能を持つアイテムが推奨されます。より多くの特徴が一致するほど、ユーザが推薦を好む確率が高くなる。この確率の度合いは 精度と呼ばれます。

<！ - 1 - >

項目を記述するタグの基本

一般に、販売（または製造業者）を行っている会社は、その項目をキーワードでタグ付けします。しかし、Amazonのウェブサイトでは、商品のタグ付けを尋ねることさえなく、購入したり見たアイテムのタグを決して見ないことはかなり一般的です。顧客は購入した商品を確認できますが、それはタグ付けと同じではありません。

タグ付けするアイテムは、あまりにも多くのアイテムを持つAmazonなどのストアのためのスケールチャレンジをもたらす可能性があります。さらに、一部の属性は主観的なものであり、誰がタグ付けするかに応じて誤ってタグ付けされることがあります。スケーリングの問題を解決する1つのソリューションは、顧客または一般の人々がアイテムにタグを付けることができるようにすることです。

<！ - 2 - >

タグを管理し、正確に保つために、許容されるタグのセットをウェブサイトから提供することができます。適切な数のユーザーが同意した場合（つまり、アイテムを記述するために同じタグを使用する場合）、合意済みのタグを使用してそのアイテムを記述します。

信頼性：

• すべての顧客が真実（特にオンライン）を指摘するわけではなく、小さなレーティング履歴しかデータを歪めることはありません。さらに、一部のベンダーは、競合他社の製品にマイナスの格付けを与えている間に、自社製品に肯定的な評価を与える（または他の人に奨励する）可能性があります。 <！ - 3 - >

  スパース性：

• 有用なデータを作成するために、すべてのアイテムが評価されるわけではありません。 矛盾：

• 同じキーワードであっても、すべてのユーザーが同じキーワードを使用して商品にタグを付けるわけではありません。さらに、いくつかの属性は主観的である可能性があります。例えば、映画のある視聴者はそれを短いと考えているが、別の視聴者はそれが長すぎると言っているかもしれない。 属性には明確な定義が必要です。境界があまりにも少ない属性は評価するのが難しい。属性にあまりにも多くのルールを適用すると、ユーザーに作業を過度に要求することがあり、アイテムにタグを付けることができなくなります。

製品カタログのほとんどの項目にタグを付けると、コラボレーションフィルタリングに悩まされるコールドスタートの問題を解決できます。しかし、しばらくの間、システムの推奨事項の精度は、ユーザープロファイルを作成または取得するまでは低くなります。

顧客のサンプルマトリックスとその購入アイテムは、コンテンツベースのフィルタリングの例を示しています。 特徴2

特徴3

特徴4	特徴5	項目1		項目999 < X 999 X 999 X 999 X 999 X 999 X 999項目5999 X 999 > X	X
ここで、ユーザーがフィーチャー2を好きで、そのフィーチャーに記録されている場合、フィーチャー2を持つすべてのアイテム（アイテム1、アイテム2、アイテム4）が推奨されます。 >この方法は、ユーザーがアイテムを購入またはレビューしたことがない場合でも機能します。システムは、フィーチャ2でタグ付けされたアイテムを製品データベースで探します。Audrey Hepburnを使用して映画を探していて、その設定がユーザーのプロファイルに表示されている場合など、このユーザーにAudrey Hepburnをフィーチャーした映画。	この例では、コンテンツベースのフィルタリング手法の限界がすぐに明らかになりました。ユーザはAudrey Hepburnが行っていたすべての映画をすでに知っているか、簡単に見つけることができますシステムは新しいものや価値のあるものを推奨していません。	一定のフィードバックで精度を上げる方法
システムの推奨精度を向上させる1つの方法は、可能な限りフィードバックを求めることです。顧客からのフィードバックを収集することは、複数のチャネルを通じてさまざまな方法で行うことができます。一部の企業では、購入後に商品やサービスを評価するよう顧客に依頼しています。他のシステムは、ソーシャルメディアスタイルのリンクを提供し、顧客は製品を「好き」または「嫌い」にすることができます。	間の一定の相互作用	システム推奨の有効性を測定する方法
システムの推奨の成功は、	精度	（それを完全一致のセットと考える - 通常は小さなセット）と	（可能なセットのセット - 通常はより大きなセットと考える）もっと詳しく見てみましょう：
Precision	は、システムの推奨がどれほど正確かを測定します。精度は主観的で定量化が難しいため、測定が困難です。たとえば、ユーザーが最初にAmazonサイトにアクセスしたとき、Amazonはその推奨が目標に達しているかどうかを確実に知ることができますか？	一部の推奨事項は顧客の関心と結びつくかもしれないが、顧客はまだ購入しないかもしれない。推薦が正確であることの最も高い信頼は、明確な証拠から得られます。顧客が商品を購入する。あるいは、システムは、ユーザにその推奨を評価するよう明示的に求めることができる。	Recall
は、あなたのシステムがもたらす可能性のある推奨のセットを測定します。リコールは考えられる推奨事項の目録と考えてください。ただし、それらのすべてが完全な推奨事項ではありません。一般に精度とリコールとは逆の関係があります。つまり、リコールが上がるにつれて、精度が低下し、その逆もあります。理想的なシステムは、高精度と高リコールの両方を有する。しかし現実的には、最善の結果は両者の微妙なバランスを取ることです。正確さやリコールを強調することは、あなたが解決しようとしている問題によって決まります。