「第４回データマイニング＋ＷＥＢ勉強会＠東京 (#TokyoWebmining)」の講師資料です。 『ソーシャルウェブ と レコメンデーション』 hamadakoichi, 濱田晃一

1. 第４回データマイニング+WEB勉強会＠東京
2010/05/16
ソーシャルウェブ と レコメンデーション
Social Web and Recommendation
hamadakoichi
濱田 晃一

2. AGENDA
◆自己紹介
◆ソーシャルウェブとレコメンデーション
◆レコメンデーション
●レコメンデーションとは
●２つのレコメンド経路
●類似度によるレコメンド手法
○コンテンツベースフィルタリング
○協調フィルタリング
●その他のレコメンド手法
●開発用ライブラリ (Java)
◆最後に
2

3. AGENDA
◆自己紹介
◆ソーシャルウェブとレコメンデーション
◆レコメンデーション
●レコメンデーションとは
●２つのレコメンド経路
●類似度によるレコメンド手法
○コンテンツベースフィルタリング
○協調フィルタリング
●その他のレコメンド手法
●開発用ライブラリ (Java)
◆最後に
3

4. hamadakoichi
濱田晃一
http://iddy.jp/profile/hamadakoichi
4

5. 自己紹介：hamadakoichi 濱田晃一
5

6. 自己紹介：hamadakoichi 濱田晃一
データマイニング+WEB勉強会＠東京
主催者です
6

7. 自己紹介：hamadakoichi 濱田晃一
理論物理 博士(2004.3取得)
量子統計場の理論
Statistical Field Theory Spontaneously
Time-Reversal Symmetry Breaking
Anisotropic Massless Dirac Fermions
博士論文： http://hosi.phys.s.u-tokyo.ac.jp/~koichi/PhD-thesis.pdf 7

8. 自己紹介：hamadakoichi 濱田晃一
文部大臣に褒められた
元 文部大臣・法務大臣 六法全書著者・元法学政治学研究科長
森山眞弓さん 菅野和夫さん
8

9. 自己紹介：hamadakoichi 濱田晃一
Los Angelesでプロダンサーに褒められた
・HIP HOP/House ダンス歴１３年
・ダンス開始後 1年半でL.A.でプロダンサーに褒められる
Youtube Channel： http://www.youtube.com/hamadakoichi 9

10. 自己紹介：hamadakoichi 濱田晃一
毎週末３時間ダンスコーチをしています
■過去、東京と京都でも
ダンス部を創設。
コーチをしていました
駒場物理ダンス部 京都大学基礎物理学研究所ダンス部
部長兼コーチ 部長兼コーチ
現在： 毎週末 ３時間ダンスコーチ
Youtube Channel： http://www.youtube.com/hamadakoichi 10

11. 数理解析手法の実ビジネスへの適用
2004年 博士号取得後
数理解析手法を実ビジネス適用の方法論構築
主な領域
◆活動の数理モデル化・解析手法
◆活動の分析手法・再構築手法
◆活動の実行制御・実績解析システム
…
内容抜粋
“Decoupling Executions in Navigating Manufacturing "Unified graph representation of processes
Processes for Shortening Lead Time and Its Implementation for scheduling with flexible resource
to an Unmanned Machine Shop”, assignment",
11

12. 数理解析手法の実ビジネスへの適用：活動例
活動例
活動の統一グラフモデルを構築・解析
Unified graphical model of processes and resources
青字：割付モデル属性
[ ] : Optional
Node ・priority(優先度) Edge
・duration(予定時間)
[・earliest(再早開始日時) ] Process Edge
Process [・deadline(納期) ]
[・or(条件集約数) ]
前プロセスの終了後に後プロセスが
プロセスを表す 開始できること表す
・attributes（属性）
preemptable(中断可否),
successive(引継ぎ可否)
Uses Edge
workload(作業負荷) Processが使用する
uses uses uses uses uses uses Assign Region を表す
Assign Region Assigns from Edge
同一Resourceを割付け続ける Assign Regionに
assigns from assigns from 指定Resourceの子Resource集合の
範囲を表す
assigns assigns 中から割付けることを示す
企業01 [process]
has has [startDate(開始日時)]
[endDate(終了日時)] Assigns Edge
製品01 組織A StartDateからEndDateまでの間
Resource has Assign RegionにResourceを
割付対象要素を表す has has has has has has 割付けることを表す
・capacity(容量)
・calender(カレンダー)
AAA01 AAB02 … 山田さん 田中さん 鈴木さん ・attributes(属性) Has Edge
東さん Resourceの所有関係を表す
12

13. 参加者
自己紹介Ｔｉｍｅ
（1分以内ずつ：計３０分程度）
13

14. AGENDA
◆自己紹介
◆ソーシャルウェブとレコメンデーション
◆レコメンデーション
●レコメンデーションとは
●２つのレコメンド経路
●類似度によるレコメンド手法
○コンテンツベースフィルタリング
○協調フィルタリング
●その他のレコメンド手法
●開発用ライブラリ (Java)
◆最後に
14

15. ソーシャルウェブとレコメンデーション
ソーシャルウェブサービス
ソーシャルネット
Facebook MySpace
Mixi GREE DeNA …
15

16. ソーシャルウェブとレコメンデーション
ソーシャルウェブサービス
ブックマーク共有
Del.icio.us はてな …
ソーシャルネット
写真・動画共有
Facebook MySpace
Youtube Flickr …
Mixi GREE DeNA …
ニュース共有
はてな Newsing Digg …
16

17. ソーシャルウェブとレコメンデーション
ソーシャルウェブサービス
ブックマーク共有
Del.icio.us はてな …
ソーシャルネット
写真・動画共有
Facebook MySpace
Youtube Flickr …
Mixi GREE DeNA …
ニュース共有
はてな Newsing Digg …
ユーザー発信型情報提供
Wikipedia はてな goo …
17

18. ソーシャルウェブとレコメンデーション
ソーシャルウェブサービス
ツイート
Twitter GoogleBuzz
…
ブックマーク共有
Del.icio.us はてな …
ソーシャルネット
写真・動画共有
Facebook MySpace
Youtube Flickr …
Mixi GREE DeNA …
ニュース共有
はてな Newsing Digg …
ユーザー発信型情報提供
Wikipedia はてな goo …
18

19. ソーシャルウェブとレコメンデーション
ソーシャルウェブサービス
ブログホスティング ツイート
Blogger はてな Livedoor Twitter GoogleBuzz
Ameba … …
ブックマーク共有
Del.icio.us はてな …
ソーシャルネット
写真・動画共有
Facebook MySpace
Youtube Flickr …
Mixi GREE DeNA …
ニュース共有
はてな Newsing Digg …
ユーザー発信型情報提供
Wikipedia はてな goo …
19

20. ソーシャルウェブとレコメンデーション
ソーシャルウェブサービス
ブログホスティング ツイート
Blogger はてな Livedoor Twitter GoogleBuzz
Ameba … …
ブックマーク共有
Del.icio.us はてな …
ソーシャルネット
写真・動画共有
Facebook MySpace
Youtube Flickr …
Mixi GREE DeNA …
ニュース共有
はてな Newsing Digg …
ユーザー発信型情報提供 情報検索
Google Yahoo Bing
Wikipedia はてな goo …
Baidu Naver …
20

21. ソーシャルウェブとレコメンデーション
ソーシャルウェブサービス
ブログホスティング ツイート 電話
Blogger はてな Livedoor Twitter GoogleBuzz Skype GoogleTalk …
Ameba … … メール
Gmail Yahoo!Mail …
ブックマーク共有
Del.icio.us はてな …
ソーシャルネット
写真・動画共有
Facebook MySpace
Youtube Flickr …
Mixi GREE DeNA …
ニュース共有
はてな Newsing Digg …
ユーザー発信型情報提供 情報検索
Google Yahoo Bing
Wikipedia はてな goo …
Baidu Naver …
21

22. ソーシャルウェブとレコメンデーション
ソーシャルウェブサービス
ブログホスティング ツイート 電話
Blogger はてな Livedoor Twitter GoogleBuzz Skype GoogleTalk …
Ameba … … メール
Gmail Yahoo!Mail …
ブックマーク共有
Del.icio.us はてな …
ソーシャルネット ビジネスアプリケーション
写真・動画共有 Google Calendar
Facebook MySpace
Youtube Flickr … Google SpreadSheet
Mixi GREE DeNA …
ニュース共有 Google Docs Zoho …
はてな Newsing Digg …
プロジェクト管理
Basecamp Jotspot …
ユーザー発信型情報提供 情報検索
Google Yahoo Bing Wiki作成
Wikipedia はてな goo … Mediawiki Pukiwiki …
Baidu Naver …
22

23. ソーシャルウェブとレコメンデーション
ソーシャルウェブサービス
ブログホスティング ツイート 電話
Blogger はてな Livedoor Twitter GoogleBuzz Skype GoogleTalk …
Ameba … … メール
Gmail Yahoo!Mail …
ブックマーク共有
Del.icio.us はてな …
ソーシャルネット ビジネスアプリケーション
写真・動画共有 Google Calendar
Facebook MySpace
Youtube Flickr … Google SpreadSheet
Mixi GREE DeNA …
ニュース共有 Google Docs Zoho …
はてな Newsing Digg …
プロジェクト管理
Basecamp Jotspot …
ユーザー発信型情報提供 情報検索
Google Yahoo Bing Wiki作成
Wikipedia はてな goo … Mediawiki Pukiwiki …
Baidu Naver …
23

24. ソーシャルウェブとレコメンデーション
Webと人の関わりが重要になってきている
24

25. ソーシャルウェブとレコメンデーション
Webと人の関わりが重要になってきている
・世界人口の50%以上が20代。
彼らの96%がソーシャルネットワークに加入している
25
※引用元： Social Media Revolution 2 http://www.youtube.com/watch?v=lFZ0z5Fm-Ng

26. ソーシャルウェブとレコメンデーション
Webと人の関わりが重要になってきている
・世界人口の50%以上が20代。
彼らの96%がソーシャルネットワークに加入している
・Facebookへのアクセス数がGoogleへのアクセス数を超えた
26
※引用元： Social Media Revolution 2 http://www.youtube.com/watch?v=lFZ0z5Fm-Ng

27. ソーシャルウェブとレコメンデーション
Webと人の関わりが重要になってきている
・世界人口の50%以上が20代。
彼らの96%がソーシャルネットワークに加入している
・Facebookへのアクセス数がGoogleへのアクセス数を超えた
・もしFacebookが国ならば世界３位の大国になっている
27
※引用元： Social Media Revolution 2 http://www.youtube.com/watch?v=lFZ0z5Fm-Ng

28. ソーシャルウェブとレコメンデーション
Webと人の関わりが重要になってきている
・世界人口の50%以上が20代。
彼らの96%がソーシャルネットワークに加入している
・Facebookへのアクセス数がGoogleへのアクセス数を超えた
・もしFacebookが国ならば世界３位の大国になっている
・78%の消費者は知人からの推薦を信頼している
14%の消費者しか広告を信用していない
28
※引用元： Social Media Revolution 2 http://www.youtube.com/watch?v=lFZ0z5Fm-Ng

29. ソーシャルウェブとレコメンデーション
Webと人の関わりが重要になってきている
・世界人口の50%以上が20代。
彼らの96%がソーシャルネットワークに加入している
・Facebookへのアクセス数がGoogleへのアクセス数を超えた
・もしFacebookが国ならば世界３位の大国になっている
・78%の消費者は知人からの推薦を信頼している
14%の消費者しか広告を信用していない
・我々は商品やサービスを探すことなく
彼らがソーシャルメディアにより我々を見つけるようになるだろう
29
※引用元： Social Media Revolution 2 http://www.youtube.com/watch?v=lFZ0z5Fm-Ng

30. ソーシャルウェブとレコメンデーション
Webと人の関わりが重要になってきている
・世界人口の50%以上が20代。
彼らの96%がソーシャルネットワークに加入している
・Facebookへのアクセス数がGoogleへのアクセス数を超えた
・もしFacebookが国ならば世界３位の大国になっている
・78%の消費者は知人からの推薦を信頼している
14%の消費者しか広告を信用していない
・我々は商品やサービスを探すことなく
彼らがソーシャルメディアにより我々を見つけるようになるだろう
30
※引用元： Social Media Revolution 2 http://www.youtube.com/watch?v=lFZ0z5Fm-Ng

31. ソーシャルウェブとレコメンデーション
各人の活動や興味にあった
適切な情報提示が重要
活動 興味
31

32. ソーシャルウェブとレコメンデーション
各人の活動や興味にあった
適切な情報提示が重要
活動 興味
各人の活動や興味に合った適切な情報提示
Recommendation
（レコメンデーション）
32

33. AGENDA
◆自己紹介
◆ソーシャルウェブとレコメンデーション
◆レコメンデーション
●レコメンデーションとは
●２つのレコメンド経路
●類似度によるレコメンド手法
○コンテンツベースフィルタリング
○協調フィルタリング
●その他のレコメンド手法
●開発用ライブラリ (Java)
◆最後に
33

34. AGENDA
◆自己紹介
◆ソーシャルウェブとレコメンデーション
◆レコメンデーション
●レコメンデーションとは
●２つのレコメンド経路
●類似度によるレコメンド手法
○コンテンツベースフィルタリング
○協調フィルタリング
●その他のレコメンド手法
●開発用ライブラリ (Java)
◆最後に
34

35. レコメンデーション
各人の活動や関心にもとづき
適した情報を提示・推薦する
例：Amazon.co.jp
検索・閲覧
35

36. レコメンデーション
各人の活動や関心にもとづき
適した情報を提示・推薦する
例：Amazon.co.jp
検索・閲覧
提示・推薦
36

37. レコメンデーション例
「このアイテムを○○したユーザーは
これらのアイテムについても○○しています」
37

38. レコメンデーション例
「このアイテムを○○したユーザーは
これらのアイテムについても○○しています」
○○ ＝ ユーザーアクション
38

39. レコメンデーション例
「このアイテムを○○したユーザーは
これらのアイテムについても○○しています」
○○ ＝ ユーザーアクション
視聴 購入 閲覧 保存
メール送信 ブックマーク
お気に入りへの追加 共有 作成
39

40. レコメンデーション例
「このアイテムを○○したユーザーは
これらのアイテムについても○○しています」
○○ ＝ ユーザーアクション
視聴 購入 閲覧 保存
メール送信 ブックマーク
お気に入りへの追加 共有 作成
例
◆この動画を「視聴」したユーザーはこちらの動画も「視聴」しています
◆この記事に関連した新しいアイテムはこちらです
◆あなたに似たユーザーはこちらです
◆こちらの商品にも関心がありませんか？
40

41. レコメンデーションエンジンの入出力
レコメンデーションエンジンの
入出力
レコメンデーション レコメンドされた
システム アイテム・ユーザー
41

42. レコメンデーションエンジンの入出力
レコメンデーションエンジンの
入出力
アイテムの情報
アイテムのコンテンツ
ユーザー レコメンデーション レコメンドされた
プロファイル システム アイテム・ユーザー
年齢 性別
居住地 資産 …
42

43. レコメンデーションエンジンの入出力
レコメンデーションエンジンの
入出力
アイテムの情報
アイテムのコンテンツ
ユーザー レコメンデーション レコメンドされた
プロファイル システム アイテム・ユーザー
年齢 性別
居住地 資産 …
ユーザー
インタラクション
閲覧履歴 タグ付け
購入 保存 評価
メール送信履歴 … 43

44. レコメンデーションエンジンの入出力
レコメンデーションエンジンの
入出力
アイテム提示の
アイテムの情報
コンテキスト
アイテムのコンテンツ 検討中アイテムの
カテゴリ …
ユーザー レコメンデーション レコメンドされた
プロファイル システム アイテム・ユーザー
年齢 性別
居住地 資産 …
ユーザー
インタラクション
閲覧履歴 タグ付け
購入 保存 評価
メール送信履歴 … 44

45. レコメンデーションエンジンの入出力
レコメンデーションエンジンの
入出力
アイテム提示の
アイテムの情報
コンテキスト
アイテムのコンテンツ 検討中アイテムの
カテゴリ …
ユーザー レコメンデーション レコメンドされた
プロファイル システム アイテム・ユーザー
年齢 性別
居住地 資産 …
ユーザー
インタラクション
閲覧履歴 タグ付け
購入 保存 評価
メール送信履歴 … 45

46. レコメンデーションの戦略
レコメンデーションを
売り込みと様子伺いの間で行う
◆売り込み
ユーザーの趣向にぴったり合った
アイテムを推薦
◆様子伺い
ユーザーの新たな趣向を見つけるため
ユーザーの趣向に合わないアイテムを提示
→例：いくつかのアイテムをランダムに選ぶなど
46

47. AGENDA
◆自己紹介
◆ソーシャルウェブとレコメンデーション
◆レコメンデーション
●レコメンデーションとは
●２つのレコメンド経路
●類似度によるレコメンド手法
○コンテンツベースフィルタリング
○協調フィルタリング
●その他のレコメンド手法
●開発用ライブラリ (Java)
◆最後に
47

48. レコメンデーションの手法
アイテムベース
アイテムの類似アイテムを分析・推薦
分析手法 分析・推薦対象 類似度算出の対象
コンテンツベース コラボレーションベース
（協調フィルタリング）
アイテム アイテムの類似
ベース アイテム
48

49. アイテムベース分析
アイテムベース
アイテムの類似アイテムを分析・推薦
アイテム アイテム アイテム アイテム
A B C D
ユーザー
1
49

50. アイテムベース分析
アイテムベース
アイテムの類似アイテムを分析・推薦
アイテム アイテム アイテム アイテム
A B C D
好む
ユーザー
1
50

51. アイテムベース分析
アイテムベース
アイテムの類似アイテムを分析・推薦
類似
アイテム アイテム アイテム アイテム
A B C D
好む
ユーザー
1
51

52. アイテムベース分析
アイテムベース
アイテムの類似アイテムを分析・推薦
類似
アイテム アイテム アイテム アイテム
A B C D
好む レコメンド
ユーザー
1
52

53. レコメンデーションの手法
ユーザーベース
類似ユーザーを分析、好むアイテムを推薦
分析手法 分析・推薦対象 類似度算出の対象
コンテンツベース コラボレーションベース
（協調フィルタリング）
アイテム アイテムの類似
ベース アイテム
ユーザー ユーザーの類似
ベース ユーザーが好む
アイテム
53

54. ユーザーベース分析
ユーザーベース
類似ユーザーを分析、好むアイテムを推薦
アイテム アイテム アイテム アイテム
A B C D
ユーザー ユーザー ユーザー
1 2 3
54

55. ユーザーベース分析
ユーザーベース
類似ユーザーを分析、好むアイテムを推薦
アイテム アイテム アイテム アイテム
A B C D
ユーザー ユーザー ユーザー
1 2 3
類似
55

56. ユーザーベース分析
ユーザーベース
類似ユーザーを分析、好むアイテムを推薦
アイテム アイテム アイテム アイテム
A B C D
好む
ユーザー ユーザー ユーザー
1 2 3
類似
56

57. ユーザーベース分析
ユーザーベース
類似ユーザーを分析、好むアイテムを推薦
アイテム アイテム アイテム アイテム
A B C D
レコメンド
好む
ユーザー ユーザー ユーザー
1 2 3
類似
57

58. AGENDA
◆自己紹介
◆ソーシャルウェブとレコメンデーション
◆レコメンデーション
●レコメンデーションとは
●２つのレコメンド経路
●類似度によるレコメンド手法
○コンテンツベースフィルタリング
○協調フィルタリング
●その他のレコメンド手法
●開発用ライブラリ
◆最後に
58

59. 類似度算出法の種類
類似度算出法の種類
コンテンツベース と 協調フィルタリング
分析手法 分析・推薦対象 類似度算出の対象
コンテンツベース 協調フィルタリング
アイテム アイテムの類似 アイテムの ユーザー行動
ベース アイテム タームベクトル （購入、閲覧、保存、評価、
ブックマークなど）
ユーザー ユーザーの類似 ユーザープロファイルの
ベース ユーザーが好む タームベクトル
アイテム （年齢、ユーザー、居住地、
資産）
59

60. 類似度算出法の種類
類似度算出法の種類
コンテンツベース と コラボレーションベース
類似度算出法 分析対象 算出概要
コンテンツ コンテンツ内容 ベクトル空間モデル
ベース アイテム コンテンツを「ターム(用語)ベクトル」で表
ユーザープロファイル 現。タームベクトル距離を算出・レコメン
ド
協調フィルタリング ユーザー行動 メモリベース
購入、閲覧、保存、評価、 類似ユーザー群を見つけ好みを合成し、
ブックマークなど アイテムの予測評価を算出・レコメンド。
（ユーザー・アイテム
データセット）
モデルベース
過去の行動からユーザーモデル化し、ア
イテムの予測評価を算出・レコメンド。
60

61. 類似度算出法の種類
コンテンツベース
コンテンツのターム(用語)ベクトルの類似度を算出する
類似度算出法 分析対象 算出概要
コンテンツ コンテンツ内容 ベクトル空間モデル
ベース アイテム コンテンツを「ターム(用語)ベクトル」で表
ユーザープロファイル 現。タームベクトル距離を算出・レコメン
ド
協調フィルタリング ユーザー行動 メモリベース
購入、閲覧、保存、評価、 類似ユーザー群を見つけ好みを合成し、
ブックマークなど アイテムの予測評価を算出・レコメンド。
（ユーザー・アイテム
データセット）
モデルベース
過去の行動からユーザーモデル化し、ア
イテムの予測評価を算出・レコメンド。
61

62. AGENDA
◆自己紹介
◆ソーシャルウェブとレコメンデーション
◆レコメンデーション
●レコメンデーションとは
●２つのレコメンド経路
●類似度によるレコメンド手法
○コンテンツベースフィルタリング
○協調フィルタリング
●その他のレコメンド手法
●開発用ライブラリ (Java)
◆最後に
62

63. 類似度算出法の種類
コンテンツベース
アイテムの情報 や ユーザープロファイル のコンテンツを分析
アイテム提示の
アイテムの情報
コンテキスト
アイテムのコンテンツ 検討中アイテムの
カテゴリ …
ユーザー レコメンデーション レコメンドされた
プロファイル システム アイテム・ユーザー
年齢 性別
居住地 資産 …
ユーザー
インタラクション
閲覧履歴 タグ付け
購入 保存 評価
メール送信履歴 … 63

64. ベクトル空間モデル
コンテンツをTerm(用語)の
N次元のベクトルで表現
Term3
Term1 Term2
64

65. ベクトル空間モデル
文書集合中に現れる 用語 wi を第 i 次元に設定
第 i 次元の値は、文書中に用語 wi が現れた頻度
文書例
[文書1] 私/は/茨城/県/に/ある/茨城/大学/の/学生/です/。
[文書2] 私/は/茨城/県/の/日立/市/に/住ん/で/い/ます/。
[文書3] 日立/市/には/日立/の/工場/が/たくさん/あり/ます/。
単語
(1) 私, (2)茨城, (3)県, (4)大学, (5)学生, (6)日立, (7)市, (8)工場
ベクトル表現
[文書1] (1,2,1,1,1,0,0,0)
[文書2] (1,1,1,0,0,1,1,0)
[文書3] (0,0,0,0,0,2,1,1) 65

66. ベクトル空間モデル
単語の重みを考慮してベクトルを作成する
重み
一般的な用語 文書の分野を推定できる単語
⇒ 軽くする ⇒重くする
TF*IDF法
66

67. 重み付け：TF*IDF法
文章中の特徴的な単語を抽出するためのアルゴリズム
ＴFとIDFの２つの指標で計算
TFIDF =TF＊IDF
◆TF (Term Frequency) 単語の出現頻度
◆IDF (Inverse Document Frequency) 文書の逆出現頻度
一般語フィルタとして働く。
多くの文書に出現する語は重要度が下がる
文書総数
単語 iを含む文書数
67

68. コンテンツの類似度：タームベクトル距離近さ
距離の近さから
類似コンテンツを抽出する
■単純な計算
ユークリッド距離から求める
■ 類似度を測る手法
・余弦尺度(cos)
ベクトル空間での方向の類似度を表す
長さが１に正規化されている場合、ユークリッド距離と等価
θ
・Jaccard係数 カテゴリカルなデータに対しても適用できる
68

69. AGENDA
◆自己紹介
◆ソーシャルウェブとレコメンデーション
◆レコメンデーション
●レコメンデーションとは
●２つのレコメンド経路
●類似度によるレコメンド手法
○コンテンツベースフィルタリング
○協調フィルタリング
●その他のレコメンド手法
●開発用ライブラリ (Java)
◆最後に
69

70. 類似度算出法の種類
類似度算出法の種類
コンテンツベース と コラボレーションベース
類似度算出法 分析対象 算出概要
コンテンツ コンテンツ内容 ベクトル空間モデル
ベース アイテム コンテンツを「ターム(用語)ベクトル」で表
ユーザープロファイル 現。タームベクトル距離を算出・レコメン
ド
協調フィルタリング ユーザー行動 メモリベース
購入、閲覧、保存、評価、 類似ユーザー群を見つけ好みを合成し、
ブックマークなど アイテムの予測評価を算出・レコメンド。
（ユーザー・アイテム
データセット）
モデルベース
過去の行動からユーザーモデル化し、ア
イテムの予測評価を算出・レコメンド。
70

71. 協調フィルタリング
協調フィルタリング
ユーザー行動 （ユーザー・アイテム データ）を分析
類似度算出法 分析対象 算出概要
コンテンツ コンテンツ内容 ベクトル空間モデル
ベース アイテム コンテンツを「ターム(用語)ベクトル」で表
ユーザープロファイル 現。タームベクトル距離を算出・レコメン
ド
協調フィルタリング ユーザー行動 メモリベース
購入、閲覧、保存、評価、 類似ユーザー群を見つけ好みを合成し、
ブックマークなど アイテムの予測評価を算出・レコメンド。
（ユーザー・アイテム
データセット）
モデルベース
過去の行動からユーザーモデル化し、ア
イテムの予測評価を算出・レコメンド。
71

72. 協調フィルタリング
協調フィルタリング
ユーザー行動 （ユーザー・アイテム データ）を分析
アイテム提示の
アイテムの情報
コンテキスト
アイテムのコンテンツ 検討中アイテムの
カテゴリ …
ユーザー レコメンデーション レコメンドされた
プロファイル システム アイテム・ユーザー
年齢 性別
居住地 資産 …
ユーザー
インタラクション
閲覧履歴 タグ付け
購入 保存 評価
メール送信履歴 … 72

73. 協調フィルタリング： アルゴリズム
アルゴリズム
1. 類似アイテム（またはユーザー）を見つける
2. 類似アイテム（またはユーザー）を利用し、予測する
73

74. 協調フィルタリング： アルゴリズム
アルゴリズム
1. 類似アイテム（またはユーザー）を見つける
2. 類似アイテム（またはユーザー）を利用し、予測する
74

75. 協調フィルタリング： データ表現
アイテムを
N次元のユーザー行動ベクトルで表現
User3
User1 User2
75

76. 協調フィルタリング： データ表現
ユーザー-アイテム行列を扱う
例：アイテムのユーザー評価
User1 User2 User3 …
Item1 3 2 1 …
Item2 4 2 3 …
Item3 2 4 5 …
…. … … … …
76

77. 協調フィルタリング： 類似度計算
ユーザー-アイテム行列から
３つの類似度計算の手法
◆コサインベース
(Cosine-based similarity computation)
◆相関ベース
(Correlation-based similarity computation)
◆調整コサインベース
(Adjusted cosine-based similarity computation)
77

78. 協調フィルタリング： 類似度計算
ユーザー-アイテム行列から
３つの類似度計算の手法
◆コサインベース
(Cosine-based similarity computation)
◆相関ベース
(Correlation-based similarity computation)
◆調整コサインベース
(Adjusted cosine-based similarity computation)
78

79. 類似度の算出：コサインベース
コサインベースの類似度計算
(Cosine-based similarity computation)
Item間類似度
①Item Vectorの正規化
User1 User2 User3
Item1 0.818 0.5345 0.2673 正規化
Item2 0.7428 0.3714 0.557
Item3 0.2981 0.5963 0.7454
79

80. 類似度の算出：コサインベース
コサインベースの類似度計算
(Cosine-based similarity computation)
Item間類似度
①Item Vectorの正規化
User1 User2 User3
Item1 0.818 0.5345 0.2673 正規化
Item2 0.7428 0.3714 0.557
Item3 0.2981 0.5963 0.7454
Item間類似度 ②Item Vectorの内積
Item1 Item2 Item3
Item1 1 0.943 0.757
Item2 0.7428 1 0.858
Item3 0.2981 0.5963 1
80

81. 類似度の算出：コサインベース
コサインベースの類似度計算
(Cosine-based similarity computation)
User間類似度
①User Vectorの正規化 正規化
User1 User2 User3
Item1 0.5571 0.4082 0.1690
Item2 0.7428 0.4082 0.5071
Item3 0.3714 0.5071 0.8452
81

82. 類似度の算出：コサインベース
コサインベースの類似度計算
(Cosine-based similarity computation)
User間類似度
①User Vectorの正規化 正規化
User1 User2 User3
Item1 0.5571 0.4082 0.1690
Item2 0.7428 0.4082 0.5071
Item3 0.3714 0.5071 0.8452
User間類似度 ②User Vectorの内積
User1 User2 User3
User1 1 0.83 0.78
User2 0.83 1 0.97
User3 0.78 0.97
82

83. 協調フィルタリング： 類似度計算
ユーザー-アイテム行列から
３つの類似度計算の手法
◆コサインベース
(Cosine-based similarity computation)
◆相関ベース
(Correlation-based similarity computation)
◆調整コサインベース
(Adjusted cosine-based similarity computation)
83

84. 類似度の算出：相関ベース
相関ベースの類似度計算
(Correlation-based similarity computation)
Itemの相関行列 Item間の相関を見る
(分散共分散行列)
R: ItemのUser評価行列
成分 : Item i に対する User uの評価
User1 User2 User3 …
Item1 R11 R12 R13 …
Item2 R21 R22 R23 …
… … … … …
: Item i のUser評価平均
: User数
84

85. 類似度の算出：相関ベース
相関ベースの類似度計算
(Correlation-based similarity computation)
①Itemの評価平均からの差分 行列
User1 User2 User3
評価平均
Item1 1 0 -1
からのずれ値
Item2 1 -1 0
Item3 -5/3 1/3 4/3
85

86. 類似度の算出：相関ベース
相関ベースの類似度計算
(Correlation-based similarity computation)
①Itemの評価平均からの差分 行列
User1 User2 User3
評価平均
Item1 1 0 -1
からのずれ値
Item2 1 -1 0
Item3 -5/3 1/3 4/3
Item間 相関行列 ②Item Vectorの規格化・内積
Item1 Item2 Item3
Item1 1 0.5 -0.982
Item2 0.5 1 -0.655
Item3 -0.982 -0.655 1
86

87. 類似度の算出：相関ベース
相関ベースの類似度計算
(Correlation-based similarity computation)
評価平均
①Userの評価平均からの差分 行列 からのずれ値
User1 User2 User3
Item1 0 -0.4083 -0.7071
Item2 0.7071 -0.4083 0
Item3 -0.7071 0.8166 0.7071
87

88. 類似度の算出：相関ベース
相関ベースの類似度計算
(Correlation-based similarity computation)
評価平均
①Userの評価平均からの差分 行列 からのずれ値
User1 User2 User3
Item1 0 -0.4083 -0.7071
Item2 0.7071 -0.4083 0
Item3 -0.7071 0.8166 0.7071
User間 相関行列 ②User Vectorの規格化・内積
User1 User2 User3
User1 1 -0.866 -0.5
User2 -0.866 1 0.87
User3 -0.5 0.87 1
88

89. 協調フィルタリング： 類似度計算
ユーザー-アイテム行列から
３つの類似度計算の手法
◆コサインベース
(Cosine-based similarity computation)
◆相関ベース
(Correlation-based similarity computation)
◆調整コサインベース
(Adjusted cosine-based similarity computation)
89

90. 類似度の算出：調整コサインベース
調整コサインベースの類似度計算
(Adjusted cosine-based similarity computation)
Userごとの評価の振れ幅の補正
（Item i のUser評価平均）ではなく
: User uの評価平均 を使用
調整コサイン行列
R: ItemのUser評価行列
成分 : Item i に対する User uの評価
: User数
90

91. 類似度の算出：調整コサインベース
調整コサインベースの類似度計算
(Adjusted cosine-based similarity computation)
User評価平均
①Userの評価平均からの差分 行列 からのずれ値
User1 User2 User3
Item1 0 -2/3 -2
Item2 1 -2/3 0
Item3 -1 4/3 2
91

92. 類似度の算出：調整コサインベース
調整コサインベースの類似度計算
(Adjusted cosine-based similarity computation)
User評価平均
①Userの評価平均からの差分 行列 からのずれ値
User1 User2 User3
Item1 0 -2/3 -2
Item2 1 -2/3 0
Item3 -1 4/3 2
Item間 相関行列 ②Item Vectorの規格化・内積
Item1 Item2 Item3
Item1 1 0.1754 -0.891
Item2 0.1754 1 0.604
Item3 -0.981 0.604 1
92

93. 類似度の算出：調整コサインベース
調整コサインベースの類似度計算
(Adjusted cosine-based similarity computation)
①Itemの評価平均からの差分 行列
User1 User2 User3
Item評価平均
Item1 1 1 -1 からのずれ値
Item2 1 -1 0
Item3 -5/2 0 4/3
93

94. 類似度の算出：調整コサインベース
調整コサインベースの類似度計算
(Adjusted cosine-based similarity computation)
①Itemの評価平均からの差分 行列
User1 User2 User3
Item評価平均
Item1 1 1 -1 からのずれ値
Item2 1 -1 0
Item3 -5/2 0 4/3
User間 相関行列 ②User Vectorの規格化・内積
User1 User2 User3
User1 1 -0.675 -0.884
User2 -0.675 1 -0.253
User3 -0.884 -0.253 1
94

95. 協調フィルタリング： アルゴリズム
アルゴリズム
1. 類似アイテム（またはユーザー）を見つける
2. 類似アイテム（またはユーザー）を利用し、予測する
95

96. 協調フィルタリング： 評価予測
類似アイテム・ユーザーを利用し予測する
96

97. 協調フィルタリング： 評価予測
類似アイテム・ユーザーを利用し予測する
K近傍法 K個の近いアイテム・ユーザーの評価を
偏差を重み付けして和を取る
97

98. 協調フィルタリング： 評価予測
類似アイテム・ユーザーを利用し予測する
K近傍法 K個の近いアイテム・ユーザーの評価を
偏差を重み付けして和を取る
ItemのUser評価行列 Riu
User1 User2 User3 平均
Item1 3 2 1 2
Item2 4 2 3 3
Item3 2 4 5 11/3
平均 3 8/3 3 26/3
98

99. 協調フィルタリング： 評価予測
類似アイテム・ユーザーを利用し予測する
K近傍法 K個の近いアイテム・ユーザーの評価を
偏差を重み付けして和を取る
ItemのUser評価行列 Riu
User1 User2 User3 平均
Item1 3 2 1 2
Item2 4 2 3 3
Item3 2 4 5 11/3
平均 3 8/3 3 26/3
相関ベース類似度計算
User間 相関行列 Cuv
User1 User2 User3
User1 1 -0.866 -0.5
User2 -0.866 1 0.87
User3 -0.5 0.87 1 99

100. 協調フィルタリング： 評価予測
類似アイテム・ユーザーを利用し予測する
K近傍法 K個の近いアイテム・ユーザーの評価を
偏差を重み付けして和を取る
ItemのUser評価行列 Riu
User1のItem1への評価期待値
User1 User2 User3 平均
=User1の平均評価
Item1 3 2 1 2
Item2 4 2 3 3
+User2の重みづき偏差
Item3 2 4 5 11/3 +User3の重みづき偏差
平均 3 8/3 3 26/3
=R1
相関ベース類似度計算
+C12/(C12+C13)*(R12 –R2)
User間 相関行列 Cuv
+C13/(C12+C13)*(R13 –R3)
User1 User2 User3
User1 1 -0.866 -0.5 =4.2
User2 -0.866 1 0.87
User3 -0.5 0.87 1 100

101. Amazon
協調フィルタリング
101

102. Amazon協調フィルタリング
世界で最も知られている協調フィルタリング
Amazon.co.jp 検索・閲覧
レコメンデーション
102

103. Amazon協調フィルタリング
世界で最も知られている協調フィルタリング
◆アイテム-アイテム協調フィルタリング
アイテムベース
同じアイテムを見たユーザーには、同じアイテムを推薦
ユーザー数に依存せずスケールする
処理
①アイテム-推薦アイテムのテーブルをオフラインで作る
②ユーザーアクセス時にはテーブルを参照するだけ
103

104. Amazon-アイテム-アイテム協調フィルタリング
アイテム-アイテム協調フィルタリング
アルゴリズム
User1 User2 User3 User4
Item1 1 1
Item2 1 1
Item3 1 1 1
Item4 1 1
104

105. Amazon-アイテム-アイテム協調フィルタリング
アイテム-アイテム協調フィルタリング
アルゴリズム
1. 空のアイテム-アイテム の行列を作る
User1 User2 User3 User4 Item1 Item2 Item3 Item4
Item1 1 1 Item1
Item2 1 1 Item2
Item3 1 1 1 Item3
Item4 1 1 Item4
105

106. Amazon-アイテム-アイテム協調フィルタリング
アイテム-アイテム協調フィルタリング
アルゴリズム
1. 空のアイテム-アイテム の行列を作る
2. 全アイテムに関し次の処理を行う
2-1. あるアイテム（親アイテム）を購入した顧客全てに対し
購入アイテム（子アイテム）をカウントする。
2-2. 親アイテム列・子アイテム行にカウント数を入れる
2-3. 親アイテム列のカウント数上位を推薦アイテムとする
User1 User2 User3 User4 Item1 Item2 Item3 Item4
Item1 1 1 Item1 1 2
Item2 1 1 Item2
Item3 1 1 1 Item3
Item4 1 1 Item4
106

107. Amazon-アイテム-アイテム協調フィルタリング
アイテム-アイテム協調フィルタリング
アルゴリズム
1. 空のアイテム-アイテム の行列を作る
2. 全アイテムに関し次の処理を行う
2-1. あるアイテム（親アイテム）を購入した顧客全てに対し
購入アイテム（子アイテム）をカウントする。
2-2. 親アイテム列・子アイテム行にカウント数を入れる
2-3. 親アイテム列のカウント数上位を推薦アイテムとする
User1 User2 User3 User4 Item1 Item2 Item3 Item4
Item1 1 1 Item1 1 2
Item2 1 1 Item2 1 1 1
Item3 1 1 1 Item3 2 1 1
Item4 1 1 Item4 1
107

108. レコメンデーションの手法
レコメンデーションの手法
分析手法 分析・推薦対象 類似度算出の対象
コンテンツベース コラボレーションベース
（協調フィルタリング）
アイテム アイテムの類似 アイテムの ユーザー行動
ベース アイテム タームベクトル （購入、閲覧、保存、評価、
ブックマークなど）
ユーザー ユーザーの類似 ユーザープロファイルの
ベース ユーザーが好む タームベクトル
アイテム （年齢、ユーザー、居住地、
資産）
108

109. 類似度の計算手法
利点と難点
類似度算出法 利点 難点
コンテンツ ◆少ないデータでも動作： ◆コンテンツの質が評価不可：
ベース 行動履歴が少ない新規ユーザー・ タームベクトルのみ用いる。記事が
アイテムに対しても適用できる。 良し悪しはアルゴリズムには分から
ない。
協調フィルタリン ◆コンテンツの質が評価可能： ◆少ないデータの予測能力が
グ 例：PageRank(Google)：リンク構造 低い：
◆展開が容易： 行動履歴が少ない新規ユーザー・
アイテムに対し精度が低い。
・言語に依存しない
（※通常、十分な数の評価がある
・画像、音楽、動画へも同様に適用
まで、新規ユーザー・アイテムを推
アイテムをブラックボックスとして扱 薦しない）
えるため。
（コンテンツ情報を必要としない）
109

110. 類似度の計算手法
利点と難点
類似度算出法 利点 難点
コンテンツ ◆少ないデータでも動作： ◆コンテンツの質が評価不可：
ベース 行動履歴が少ない新規ユーザー・ タームベクトルのみ用いる。記事が
アイテムに対しても適用できる。 良し悪しはアルゴリズムには分から
ない。
協調フィルタリン ◆コンテンツの質が評価可能： ◆少ないデータの予測能力が
グ 例：PageRank(Google)：リンク構造 低い：
◆展開が容易： 行動履歴が少ない新規ユーザー・
アイテムに対し精度が低い。
・言語に依存しない
（※通常、十分な数の評価がある
・画像、音楽、動画へも同様に適用
まで、新規ユーザー・アイテムを推
アイテムをブラックボックスとして扱 薦しない）
えるため。
（コンテンツ情報を必要としない）
110

111. 類似度の計算手法
利点と難点
類似度算出法 利点 難点
コンテンツ ◆少ないデータでも動作： ◆コンテンツの質が評価不可：
ベース 行動履歴が少ない新規ユーザー・ タームベクトルのみ用いる。記事が
アイテムに対しても適用できる。 良し悪しはアルゴリズムには分から
ない。
協調フィルタリン ◆コンテンツの質が評価可能： ◆少ないデータの予測能力が
グ 例：PageRank(Google)：リンク構造 低い：
◆展開が容易： 行動履歴が少ない新規ユーザー・
アイテムに対し精度が低い。
・言語に依存しない
（※通常、十分な数の評価がある
・画像、音楽、動画へも同様に適用
まで、新規ユーザー・アイテムを推
アイテムをブラックボックスとして扱 薦しない）
えるため。
（コンテンツ情報を必要としない）
111

112. 類似度の計算手法
利点と難点
類似度算出法 利点 難点
コンテンツ ◆少ないデータでも動作： ◆コンテンツの質が評価不可：
ベース 行動履歴が少ない新規ユーザー・ タームベクトルのみ用いる。記事が
アイテムに対しても適用できる。 良し悪しはアルゴリズムには分から
ない。
協調フィルタリン ◆コンテンツの質が評価可能： ◆少ないデータの予測能力が
グ 例：PageRank(Google)：リンク構造 低い：
◆展開が容易： 行動履歴が少ない新規ユーザー・
アイテムに対し精度が低い。
・言語に依存しない
（※通常、十分な数の評価がある
・画像、音楽、動画へも同様に適用
まで、新規ユーザー・アイテムを推
アイテムをブラックボックスとして扱 薦しない）
えるため。
（コンテンツ情報を必要としない）
112

113. 類似度の計算手法
利点と難点
類似度算出法 利点 難点
コンテンツ ◆少ないデータでも動作： ◆コンテンツの質が評価不可：
ベース 行動履歴が少ない新規ユーザー・ タームベクトルのみ用いる。記事が
アイテムに対しても適用できる。 良し悪しはアルゴリズムには分から
ない。
協調フィルタリン ◆コンテンツの質が評価可能： ◆少ないデータの予測能力が
グ 例：PageRank(Google)：リンク構造 低い：
◆展開が容易： 行動履歴が少ない新規ユーザー・
アイテムに対し精度が低い。
・言語に依存しない
（※通常、十分な数の評価がある
・画像、音楽、動画へも同様に適用
まで、新規ユーザー・アイテムを推
アイテムをブラックボックスとして扱 薦しない）
えるため。
（コンテンツ情報を必要としない）
113

114. 類似度の計算手法
利点と難点
類似度算出法 利点 難点
コンテンツ ◆少ないデータでも動作： ◆コンテンツの質が評価不可：
ベース 行動履歴が少ない新規ユーザー・ タームベクトルのみ用いる。記事が
アイテムに対しても適用できる。 良し悪しはアルゴリズムには分から
ない。
協調フィルタリン ◆コンテンツの質が評価可能： ◆少ないデータの予測能力が
グ 例：PageRank(Google)：リンク構造 低い：
◆展開が容易： 行動履歴が少ない新規ユーザー・
アイテムに対し精度が低い。
・言語に依存しない
（※通常、十分な数の評価がある
・画像、音楽、動画へも同様に適用
まで、新規ユーザー・アイテムを推
アイテムをブラックボックスとして扱 薦しない）
えるため。
（コンテンツ情報を必要としない）
114

115. レコメンデーションエンジンの入出力
レコメンデーションエンジンの
入出力
アイテム提示の
アイテムの情報
コンテキスト
アイテムのコンテンツ 検討中アイテムの
カテゴリ …
ユーザー レコメンデーション レコメンドされた
プロファイル システム アイテム・ユーザー
年齢 性別
居住地 資産 …
ユーザー
インタラクション
閲覧履歴 タグ付け
購入 保存 評価
メール送信履歴 … 115

116. 類似度の計算手法
２手法を合成しての適用
◆コンテンツベースとコラボレーションベースの結果を合成
◆十分な数の評価が行われるまでは、コンテンツベース
◆時期、月、週などの情報をレコメンデーションに反映
…
116

117. 分析手法の特性
分析手法の特性
アイテムリストの変化
推薦対象 低頻度 高頻度
アイテム アイテムベース分析 ユーザーベース分析
（例：ニュースサイト。ニュース
記事が頻繁に更新）
ユーザー ユーザーベース分析
空間次元数（アイテム・ユーザー）
小さい次元数の対象の方法を扱うほうが容易
計算速度
アイテムベースのアルゴリズムのほうが速い（経験則）
117

118. AGENDA
◆自己紹介
◆ソーシャルウェブとレコメンデーション
◆レコメンデーション
●レコメンデーションとは
●２つのレコメンド経路
●類似度によるレコメンド手法
○コンテンツベースフィルタリング
○協調フィルタリング
●その他のレコメンド手法
●開発用ライブラリ (Java)
◆最後に
118

119. 類似度以外からのレコメンデーション
類似度算出以外の
レコメンデーション
ルールベース
レコメンドのルールを決め、ルールに従いレコメンド。
例：紙おむつ買う → ビールを勧める
※ルール作成にアソシエーション分析も用いられる。
⇒5/22のTokyo.Rで話します。「R言語によるアソシエーション分析」
119

120. 類似度以外からのレコメンデーション
類似度算出以外の
レコメンデーション
ルールベース
レコメンドのルールを決め、ルールに従いレコメンド。
例：紙おむつ買う → ビールを勧める
※ルール作成にアソシエーション分析も用いられる。
⇒5/22のTokyo.Rで話します。「R言語によるアソシエーション分析」
ベイジアンネットワーク
過去事象から、事象発生の確率ネットワークを作成。
各事象に対し、遷移確率が高い先をレコメンド。
120

121. 類似度以外からのレコメンデーション
類似度算出以外の
レコメンデーション
ルールベース
レコメンドのルールを決め、ルールに従いレコメンド。
例：紙おむつ買う → ビールを勧める
※ルール作成にアソシエーション分析も用いられる。
⇒5/22のTokyo.Rで話します。「R言語によるアソシエーション分析」
ベイジアンネットワーク
過去事象から、事象発生の確率ネットワークを作成。
各事象に対し、遷移確率が高い先をレコメンド。
121

122. 類似度以外からのレコメンデーション
類似度算出以外の
レコメンデーション
ルールベース
レコメンドのルールを決め、ルールに従いレコメンド。
例：紙おむつ買う → ビールを勧める
※ルール作成にアソシエーション分析も用いられる。
⇒5/22のTokyo.Rで話します。「R言語によるアソシエーション分析」
ベイジアンネットワーク
過去事象から、事象発生の確率ネットワークを作成。
各事象に対し、遷移確率が高い先をレコメンド。
122

123. AGENDA
◆自己紹介
◆ソーシャルウェブとレコメンデーション
◆レコメンデーション
●レコメンデーションとは
●２つのレコメンド経路
●類似度によるレコメンド手法
○コンテンツベースフィルタリング
○協調フィルタリング
●その他のレコメンド手法
●開発用ライブラリ (Java)
◆最後に
123

124. 開発用ライブラリ （Java）
Java
データマイニングライブラリ
Lucene
Apache Lucene。オープンソースの全文検索エンジン。
サブプロジェクトに分散検索の 「Hadoop」、
Hadoop上で動く機械学習の 「Mahout」がある。
ＷEKA
オープンソースのデータマイニングフレームワーク。
前処理、分類、回帰、クラスタリング、相関ルール、可視化
JDM（Java Data Mining）
データマイニングの標準API構築を目指されている。
分類、回帰、クラスタリング、属性重要度、相関ルール、
多変量解析、時系列分析、異常検出、変換、テキストマイニング
多目標モデル。 124

125. AGENDA
◆自己紹介
◆ソーシャルウェブとレコメンデーション
◆レコメンデーション
●レコメンデーションとは
●２つのレコメンド経路
●類似度によるレコメンド手法
○コンテンツベースフィルタリング
○協調フィルタリング
●その他のレコメンド手法
●開発用ライブラリ (Java)
◆最後に
125

126. 最後に
蓄積されたデータを有効活用してきたい
126

127. 最後に
蓄積されたデータを有効活用してきたい
Google Group： http://groups.google.com/group/webmining-tokyo
127

128. 最後に
データマイニング+WEB勉強会
発表者を募集しています
連絡
Google Group： http://groups.google.com/group/webmining-tokyo
Twitter ： http://twitter.com/hamadakoichi
128

129. ご清聴ありがとうございました
129

130. AGENDA
◆自己紹介
◆ソーシャルウェブとレコメンデーション
◆レコメンデーション
●レコメンデーションとは
●２つのレコメンド経路
●類似度によるレコメンド手法
○コンテンツベースフィルタリング
○協調フィルタリング
●その他のレコメンド手法
●開発用ライブラリ (Java)
◆最後に
130

131. 目的： データマイニング+WEB勉強会＠東京
データマイニングの方法論を用い
蓄積されたデータを有効活用していく方法を学ぶ
統計解析
Web API
データマイニング
Amazon Web Service
楽天 Web Service 対応分析 時系列分析
Twitter API Recruit Web Service 回帰分析
Yahoo! Web Service クラスター分析
はてな Web Service 判別分析
主成分分析 因子分析
(Bookmark/Graph/Keyword,…)
カーネル法
Google Data API 樹木モデル
(Calendar/Maps/BookSearch/
FinancePortfolioData,…) ニューラルネットワーク
サポートベクターマシン
… 免疫型最適化 Particle Swam …
Memetic Ant Colony
遺伝的 熱力学的
シミュレーテドアニーリング
力学モデルによる最適化
タブーサーチ グラフ
…
最適解探索
アルゴリズム
131

132. 推薦文献・動画
132

133. 推薦文献
集合知イン・アクション
集合知プログラミング
133

134. 推薦文献
確率モデルによるWebデータ解析法
- データマイニング技法からe-コマースまで
ソーシャル・ウェブ入門
Google, mixi, ブログ・・・新しいWeb世界の歩き方
134

135. 推薦動画
Social Media Revolution 2
2010/05/05
http://www.youtube.com/watch?v=lFZ0z5Fm-Ng
Social Media Revolution
2009/07/30
http://www.youtube.com/watch?v=sIFYPQjYhv8
135