推薦手法の分類と特徴

協調フィルタリング（Collaborative Filtering）

協調フィルタリングは「似たユーザーは似たアイテムを好む」という仮説に基づく手法である。アイテムの属性情報を必要とせず、ユーザーの行動データだけで推薦を行える。

ユーザーベース協調フィルタリング

ユーザー間の類似度を計算し、類似ユーザーが高評価したアイテムを推薦する。

import numpy as np
from sklearn.metrics.pairwise import cosine_similarity

# ユーザー×アイテムの評価行列（0は未評価）
ratings = np.array([
    [5, 3, 0, 1, 4],  # ユーザーA
    [4, 0, 0, 1, 3],  # ユーザーB
    [1, 1, 0, 5, 0],  # ユーザーC
    [0, 3, 4, 4, 0],  # ユーザーD
    [5, 4, 3, 0, 4],  # ユーザーE
])

# ユーザー間のコサイン類似度
user_sim = cosine_similarity(ratings)
print("ユーザーAとBの類似度:", round(user_sim[0][1], 3))
# 出力: ユーザーAとBの類似度: 0.975

# ユーザーAとCの類似度
print("ユーザーAとCの類似度:", round(user_sim[0][2], 3))
# 出力: ユーザーAとCの類似度: 0.567

ユーザーAとBは好みが近く、AとCは好みが異なることが数値で確認できる。

アイテムベース協調フィルタリング

アイテム間の類似度を計算し、ユーザーが過去に高評価したアイテムに類似するアイテムを推薦する。

# アイテム間のコサイン類似度
item_sim = cosine_similarity(ratings.T)
item_names = ["商品A", "商品B", "商品C", "商品D", "商品E"]

# 商品Aに類似する商品を表示
sim_scores = list(enumerate(item_sim[0]))
sim_scores.sort(key=lambda x: x[1], reverse=True)

print("商品Aに類似する商品:")
for idx, score in sim_scores[1:]:  # 自身を除外
    print(f"  {item_names[idx]}: {score:.3f}")

Amazonの「この商品を買った人はこちらも買っています」はアイテムベース協調フィルタリングの代表例である。

協調フィルタリングの課題

コンテンツベースフィルタリング（Content-Based Filtering）

コンテンツベースフィルタリングは、アイテムの属性（メタデータ）を用いてユーザーの好みに合うアイテムを推薦する手法である。

import pandas as pd
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.metrics.pairwise import cosine_similarity

# H&Mデータセットを想定した商品データ
products = pd.DataFrame({
    "product_id": [1, 2, 3, 4, 5],
    "name": ["コットンTシャツ", "リネンシャツ", "デニムパンツ", "コットンワンピース", "ウールコート"],
    "description": [
        "オーガニックコットン クルーネック カジュアル 夏",
        "リネン100% ボタンダウン きれいめ 夏",
        "ストレッチデニム スリムフィット カジュアル 通年",
        "オーガニックコットン Aライン フェミニン 春夏",
        "ウール混 チェスターコート フォーマル 冬",
    ],
    "category": ["トップス", "トップス", "ボトムス", "ワンピース", "アウター"],
})

# TF-IDFでテキスト特徴量を作成
tfidf = TfidfVectorizer()
tfidf_matrix = tfidf.fit_transform(products["description"])

# アイテム間の類似度
content_sim = cosine_similarity(tfidf_matrix)

# コットンTシャツに類似する商品
sim_scores = list(enumerate(content_sim[0]))
sim_scores.sort(key=lambda x: x[1], reverse=True)

print("コットンTシャツに類似する商品:")
for idx, score in sim_scores[1:]:
    print(f"  {products.iloc[idx]['name']}: {score:.3f}")

コンテンツベースの特徴

ハイブリッド推薦

ハイブリッド推薦は協調フィルタリングとコンテンツベースを組み合わせ、両者の弱点を補完する手法である。

主な組み合わせ方

ハイブリッド推薦の構成パターン:

1. 加重ハイブリッド（Weighted）
   - 複数手法のスコアを重み付け平均
   - score = w1 * cf_score + w2 * cb_score
   - シンプルで実装しやすい

2. スイッチング（Switching）
   - 状況に応じて手法を切り替え
   - 新規ユーザー → コンテンツベース
   - 十分な履歴あり → 協調フィルタリング

3. カスケード（Cascade）
   - 1つ目の手法で候補を絞り、2つ目で精緻化
   - 協調フィルタリングで候補100件 → コンテンツベースでリランキング

4. 特徴量結合（Feature Combination）
   - 協調フィルタリングの出力をコンテンツベースの特徴量に追加
   - LightFM等のライブラリが対応

NetShop社への適用

NetShop社のECサイトでは以下の組み合わせが有効と考えられる。

評価の観点

推薦手法を選定する際に考慮すべき評価軸を整理する。

まとめ

チェックリスト

• ユーザーベースとアイテムベースの協調フィルタリングの違いを説明できる
• コンテンツベースフィルタリングの長所と短所を理解した
• ハイブリッド推薦の4つの組み合わせパターンを説明できる
• NetShop社のシナリオ別に適切な推薦手法を選定できる

次のステップへ

各推薦手法の特徴を理解したところで、次はレコメンデーションがビジネスに与える具体的なインパクトについて深掘りしよう。

推定読了時間: 30分