基礎から学ぶ推薦システム―情報技術で嗜好を予測する [単行本]Ω

目次1.　推薦システム1.1　推薦システムとは1.2　なぜ推薦システムが必要か1.3　ユーザ，アイテム，評価値　1.3.1　ユーザ　1.3.2　アイテム　1.3.3　評価履歴　1.3.4　評価値行列1.4　推薦問題の定義1.5　推薦サイクル2.　内容ベース推薦システム～近傍ベース方式～2.1　内容ベース推薦システム（近傍ベース方式）の基本　2.1.1　アイテムの特徴ベクトル　2.1.2　特徴空間　2.1.3　ユーザプロファイル2.2　類似度に基づく推薦　2.2.1　類似度　2.2.2　推薦2.3　適合性フィードバック2.4　k近傍法　2.4.1　距離　2.4.2　近傍アイテム　2.4.3　推薦2.5　次元削減　2.5.1　分散共分散行列　2.5.2　固有値・固有ベクトル　2.5.3　主成分　2.5.4　主成分得点　2.5.5　寄与率　2.5.6　推薦3.　内容ベース推薦システム～モデルベース方式～3.1　内容ベース推薦システム（モデルベース方式）の基本　3.1.1　アイテムの特徴ベクトル　3.1.2　訓練データ　3.1.3　予測対象データ　3.1.4　学習と予測　3.1.5　クラス分類問題3.2　ルールベース分類器　3.2.1　ルール　3.2.2　候補ルール　3.2.3　頻出ルール　3.2.4　相関ルール　3.2.5　ユーザプロファイル　3.2.6　嗜好予測　3.2.7　推薦3.3　単純ベイズ分類器　3.3.1　条件付き確率　3.3.2　問題設定　3.3.3　ベイズの定理　3.3.4　単純ベイズ仮定　3.3.5　ユーザプロファイル　3.3.6　嗜好予測　3.3.7　ラプラススムージング　3.3.8　推薦3.4　決定木　3.4.1　ジニ係数　3.4.2　分割のよさ　3.4.3　決定木の学習　3.4.4　ユーザプロファイル　3.4.5　嗜好予測　3.4.6　推薦4.　協調ベース推薦システム～近傍ベース協調フィルタリング～4.1　協調フィルタリングの基本4.2　ユーザベース協調フィルタリング　4.2.1　ユーザ類似度　4.2.2　類似ユーザの選定　4.2.3　嗜好予測　4.2.4　評価値行列の補完4.3　アイテムベース協調フィルタリング　4.3.1　アイテム類似度　4.3.2　アイテム-アイテム類似度行列　4.3.3　類似アイテムの選定　4.3.4　嗜好予測　4.3.5　評価値行列の補完4.4　評価値行列の次元削減　4.4.1　分散共分散行列　4.4.2　固有値・固有ベクトル　4.4.3　潜在因子　4.4.4　嗜好予測　4.5ユーザベース協調フィルタリングvs.　アイテムベース協調フィルタリング　4.5.1　正確性とセレンディピティ　4.5.2　説明性　4.5.3　計算効率性5.　協調ベース推薦システム～モデルベース協調フィルタリング～5.1　モデルベース協調フィルタリングの基本5.2　ルールベース協調フィルタリング　5.2.1　ルール　5.2.2　候補ルール　5.2.3　相関ルール　5.2.4　学習モデル　5.2.5　嗜好予測　5.2.6　評価値行列の補完5.3　単純ベイズ協調フィルタリング　5.3.1　問題設定　5.3.2　ベイズの定理　5.3.3　単純ベイズ仮定　5.3.4　事前確率　5.3.5　各アイテムに関する条件付き確率　5.3.6　ラプラススムージング　5.3.7　学習モデル　5.3.8　嗜好予測　5.3.9　評価値行列の補完5.4　決定木に基づく協調フィルタリング　5.4.1　決定木の学習　5.4.2　学習モデル　5.4.3　嗜好予測　5.4.4　評価値行列の補完6.　協調ベース推薦システム～潜在因子モデル～6.1　潜在因子モデルの基本　6.1.1　問題設定　6.1.2　定式化6.2　勾配降下法6.3　確率的勾配降下法　6.4近傍ベース協調フィルタリングvs.　モデルベース協調フィルタリング　6.4.1　正確性　6.4.2　シンプルさ　6.4.3　説明性　6.4.4　計算効率性　6.4.5　モデル表現　6.5内容ベース推薦システムvs.　協調ベース推薦システム　6.5.1　コールドスタート問題　6.5.2　アイテム特徴量の抽出　6.5.3　正確性とセレンディピティ　6.5.4　説明性7.　知識ベース推薦システム7.1　知識ベース推薦システムの基本7.2　制約ベース推薦システム　7.2.1　ユーザ要求　7.2.2　アイテムデータベース　7.2.3　適合性制約　7.2.4　フィルタ制約　7.2.5　推薦タスク　7.2.6　推薦　7.2.7　要求の緩和　7.2.8　要求の追加7.3　事例ベース推薦システム　7.3.1　初期事例　7.3.2　類似性尺度　7.3.3　批評　7.4知識ベース推薦システムvs.　内容・協調ベース推薦システム　7.4.1　コールドスタート問題　7.4.2　個人化　7.4.3　制御性　7.4.4　アイテム特徴量の抽出・知識獲得8.　ハイブリッド型推薦システム8.1　ハイブリッド型推薦システムの基本8.2　アンサンブル型ハイブリッド　8.2.1　並列型ハイブリッド　8.2.2　直列型ハイブリッド8.3　モノリシック型ハイブリッド8.4　混合型ハイブリッド9.　推薦システムの評価9.1　推薦システムの評価の基本　9.1.1　評価目的　9.1.2　評価指標　9.1.3　ベースライン　9.1.4　ハイパーパラメタ9.2　評価方法　9.2.1　オフライン評価　9.2.2　ユーザ評価　9.2.3　オンライン評価9.3　正確性に関する評価指標　9.3.1　嗜好予測の正確性　9.3.2　上位K推薦の正確性9.4　発見性に関する評価指標　9.4.1　被覆率　9.4.2　多様性　9.4.3　新規性　9.4.4　意外性　9.4.5　セレンディピティ引用・参考文献あとがき索引出版社からのコメント人の嗜好を予測する「推薦システム」技術について，わかりやすく丁寧に解説した一冊。内容紹介【書籍紹介】「この商品を買った人はこんな商品も買っています」。いまや，Web上のいたるところでみかけます。もしかしたら，あなたもお薦めの本として提示されて，この本を手にとられたのかもしれません。このような機能を支えている技術が推薦システムです。本書では，その推薦システムの中身に迫ります。推薦システムは，大きく，内容ベース推薦システム，協調ベース推薦システム，知識ベース推薦システム，そして，それらを組み合わせたハイブリッド型推薦システムに分類されます。この分類を踏まえ，本書はつぎのような構成になっています。1章では，なぜ推薦システムが必要かという話からはじめ，推薦問題の定義について学びます。内容ベース推薦システムについては2章と3章の2章構成で，協調ベース推薦システムについては4章から6章の3章構成で，それぞれ学びます。知識ベース推薦システムは7章で学び，ハイブリッド型推薦システムは8章で学びます。そして，最後に9章で推薦システムの評価について学びます。なお，本書は，1章から順を追って読まれることを想定しています。前の章で学んだ知識を後の章にも活用するように，知識を積み重ねていく構成となっています。【本書の特徴】本書では数式がふんだんに出てきますが，一つひとつ紐解きながら丁寧に解説しています。具体例を交えながら，計算過程もなるべく省略せずに書いていますので，一つひとつ記号の意味を理解しながら式を追っていくことができます。また，問題に親しみをもってもらいやすいように，具体的かつ身近な事例として，食をテーマにしたシナリオを設定しています。食に対する好き嫌いは個人差が現れやすいので，嗜好予測の問題設定としてはうってつけです。【著者からのメッセージ】推薦システムの研究には面白くワクワクするような課題がたくさん詰まっています。本書では先端的なトピックについては扱いませんでしたが，いずれのトピックにおいても本書で学んだ内容が基礎となります。世の中のコンテンツは数も種類も日々増大しており，人々の選択肢も無数に存在します。それにつれて人間の嗜好もどんどん多種多様で複雑になってきています。そのような嗜好を果して情報技術でどこまで予測できるのか，推薦システム研究はこの課題に挑戦しつづけていくことになるでしょう。さあ，推薦システムの探求への旅はいま始まったばかりです！図書館選書「この商品を買った人はこんな商品も買っています」よくWeb上で見かけるこのような機能を支える「推薦システム」技術を，基礎から評価方法に至るまで，学部の低年次に学ぶ数学知識で理解できるようわかりやすく解説した。著者紹介（「BOOK著者紹介情報」より）（本データはこの書籍が刊行された当時に掲載されていたものです）奥 健太(オク ケンタ)２００４年大阪市立大学工学部土木工学科卒業。２０１６年龍谷大学講師