Upload
nile
View
56
Download
0
Embed Size (px)
DESCRIPTION
レコメンド(推奨)エンジン “ Recommendo” の技術. commendo research & consulting GmbH ケーフラッハ , 2010. レコメンド(推奨)エンジン“ Recommendo” とは?. ユーザー行動分析のために開発された、「推奨エンジン」ツール ユーザー行動情報・アイテム情報を収集。 その属性を独自技術手法で分析。 分析結果から推奨(レコメンド)データを提案。 独自分析手法により、高精度な分析結果を出力 適用している属性判別手法 : ユーザー/アイテム予想 + ユーザー/ユーザー補正 + アイテム/アイテム補正 - PowerPoint PPT Presentation
Citation preview
レコメンド(推奨)エンジン“Recommendo”の技術
commendo research & consulting GmbH
ケーフラッハ , 2010
Slide No 2
レコメンド(推奨)エンジン“ Recommendo” とは?
ユーザー行動分析のために開発された、「推奨エンジン」ツール ユーザー行動情報・アイテム情報を収集。 その属性を独自技術手法で分析。 分析結果から推奨(レコメンド)データを提案。
独自分析手法により、高精度な分析結果を出力 適用している属性判別手法 :
ユーザー/アイテム予想 + ユーザー/ユーザー補正 + アイテム/アイテム補正
独自な分析ロジック :強調フィルタリング + コンテンツベースフィルタリング + α
世界 No.1 の評価を受賞 「高速・高精度な分析結果」が、世界的に高く評価され数多くの賞を受賞。
‐ 2009年「 Netflix 賞」 1 位受賞 (世界 186国から 50,000チームが参加)‐ オーストリア他で行われた各種評価会で入賞実績あり。
Slide No 3
Recommendo の主な機能
入力データ• 全ての可能なユーザー・データ (年令、性別、他)• 全ての可能なアイテム・データ (値段、商品分類、他)• ショッピングカート内の情報• 購入情報• クリック情報(ユーザー挙動)• 等
出力データ(予想データ+補正データ)• トップ “ X” 順位の推奨商品リスト(レーティング毎にソート・アンソート)• 全体のセット購入組み合わせ割合から、ある商品購入者向け他商品の推奨データ提示
属性判別・分析ロジック 属性判別• ユーザー/アイテム予想• ユーザー/ユーザー補正• アイテム/アイテム補正
INPUT
OUTPUT
分析ロジック• 強調フィルタリング• コンテンツベースフィルタリング• 初期開始時の問題に対する対策
(ユーザー、商品、購入履歴、レーティング、ショッピングカート情報を考慮)
Slide No 4
Recommendo の強み
顧客ニーズにあわせたカスタマイゼーション 顧客サイトにインストール スタンド・アローンなツール(ソリューション) セキュリティ・プライバシー問題の無い、自立したツール
先端テクノロジーの牽引 高精度な分析エンジン (予想確度世界 No.1を受賞) 高速な分析エンジン• 高速レスポンスタイム : ユーザーアクションをリアルタイムにエンジン分析に取り込み瞬
時に結果出力• 高速インテグレーション: リアルタイムデータによって予想確度に影響なし(それまでの予
想確度の精度を保つ)
エンジン内アルゴリズムをニーズにあわせてチューニング可能
メンテナンス性の高さ 簡単なバックアップ・リカバリー手順 簡単なインスタレーション・インテグレーション
Slide No 5
Recommendo の過去の評価受賞実績
ネットフリックス賞 2009 一位賞金を受賞Initiated by Netflix Inc. www.netflix.com
オーストリア連邦国家賞受賞( 2009 )オーストリア共和国 連邦経済省コンサルティングサービスと情報技術
オーストリア・コンスタンティヌス賞( 2009 )オーストリア国 連邦産業院 – UBIT オーストリア
西スティリア企業賞 受賞革新賞 受賞 (2009)
E- ビズ e 政府 受賞 (2009) スティリアオーストリア首相、 Report Verlag オーストリア
INNOward 2010 受賞スティリア州商工会議所、「コンサルティングサービスおよび情報技術」分野
予想確度最高得点
Slide No 6
補足資料
Slide No 7
Recommendo のパフォーマンス =オーストリアでの実証実験結果 =
1. 実験条件 : 全 12 ヶ月、 2 段階① 11か月のユーザーの商品購入調査実績 < お薦め表示無し >
- 掲載全商品数 25、000個- 全体の商品購入アイテム数 100万個- 全体の商品購入ユーザー数 16万人- 各個人の商品購入アイテム種類と購入アイテム数
② 1 ケ月の商品購入評価 <お薦め表示あり 【ショップお薦め 】 vs 【推奨エンジンお薦め】>(a) Shopお薦め「 Top5」 (固定)(b) 推奨エンジン出力「 Top5」 (過去実績+ を に反映して変化ユーザーアクション リアルタイム)
2. 1ヶ月の評価実験 :「お薦め 」に対し「実際購入 」一致回数から予想確度アイテム アイテム
算出
1 か月の購入実績 予想確度
ユーザー アイテム数 (a)Shop5 (b) エンジン 5
掲載商品数= ZZZZ
ABCD…
3857…
0010…
1322…
合計 000人 000個 XX YY
予想確度 = B / A (一致回数 / 全掲載商品数)
数字はすべて一例
A
B B
Slide No 8
Recommendo のパフォーマンス =オーストリアでの実証実験結果 =
3. 1ヶ月間の予想確度 (お薦め結果のパフォーマンス)
4. 推奨エンジンのパフォーマンスデータ(2) : 毎購入数分布で予想確ユーザー
度を分析
(a) Shopお薦め「 Top5」 0.74%
(b) 推奨エンジン出力「 Top5」 1.74%
Shopにくらべ、エンジンが 2.4倍確度高い。
購入数 確度 (%)
1 1.62
2 2.16
3 2.19
4 2.47
5 2.73
6 2.62
7 2.79
8 3.05
9 2.87
購入数が多いときほど、エンジンの確度高い(高性能)。
Slide No 9
Recommendo機能・システム統合
Input
アルゴリズム
Output
統計処理
XX 社広告Web (Commendo Demo システム画面)
Commendoの推奨結果
Shopのお奨め TopX
ショッピング
カート
RecommendoWeb API
xml file コマンド送信
( ユーザーアクション )
購入
xml file コマンド送信( 結果要求 )表
示
xml file コマンド送信( 統計データ結果要求、Webに直接表
示可能 )
ユーザー開発 Commendo
Slide No 10
Recommendo システムの技術要件
ハードウエア 64bit Linux Systemが必要。 D ual Core マシン必要。• 1 番目のC ore は、システムトレーニング用• 2 番目のC ore は、リアルタイム実用要件のため
Memory と D iskspaceは、取り扱うデータ量に依る。• 最低 1GB memory• 最低 2GB free diskspace
特別なD atabase サーバーは不要。
データセットアップ 指定 ID フォーマットに、ユーザー、ユーザーグループに登録 (uID, uGID) 指定 ID フォーマットに、アイテム、アイテムグループに登録 (uID, uGID)
Slide No 11
Commendo の会社概要
Commendo 2008年 7 月創業 株主 4 名• Georg Preßler, MA
• Andreas Töscher, MSc
• Michael Jahrer, MSc
• Michael Schrotter, MA
本社 : オーストリア国ケーフラッハ
専門分野 以下の分野の研究開発 :• 機械学習• カスタマイズされたレコメンダシステム
コンサルティングサービスの IT