推薦アルゴリズムに習熟する2：推薦システムの分類（面接時に必須）

著者について：

テンセント社のアルゴリズム研究者。中国科学院大学修士号取得。彼はアリババとテンセントで長年勤務しており、検索および推奨アルゴリズムに関して豊富な経験を持っています。CSDN ブログのエキスパート、オリジナル記事 100 件。15 件の特許を公開し、そのうち 6 件が承認されました。

一連の記事、フォロー歓迎

レコメンドアルゴリズムに精通する1：レコメンドシステムが必要な理由（連載記事、おすすめ集）

推薦アルゴリズムに習熟する2：推薦システムの分類（面接時に必須）

推奨アルゴリズムアーキテクチャ6：データサンプル（インタビューに必要）

推奨されるアルゴリズムアーキテクチャ 7: 特徴量エンジニアリング (面接官を平手打ちする、史上最も包括的な!)

1。概要

現在、すべての主要なプラットフォームは基本的に独自のレコメンデーションシステムを備えており、電子商取引、ソーシャルネットワーキング、情報、映画、音楽などのさまざまな業界に浸透しています。これには、プレーンテキスト、グラフィックス、長尺および短尺のビデオ、ライブブロードキャストなどのさまざまなコンテンツメディアが含まれ、単一列の情報フロー、二重列の情報フロー、没入型などのさまざまなインタラクティブ形式を生成します。さらに、ホームページ、垂直カテゴリ、関連する推奨事項などのシナリオでも使用できます。

2事業分野分類

ビジネス分野に応じて、レコメンデーションシステムには電子商取引、コンテンツ、ソーシャルネットワーキングが含まれます。その中で、電子商取引には、総合電子商取引、垂直型電子商取引、ワイントラベル、食品配達などのさまざまな分野が含まれており、通常は支払いに関連しています。コンテンツには、ニュース、情報、映画、ショートビデオ、質問と回答、音楽などが含まれており、人々の日々の情報ニーズに応えます。ソーシャルネットワーキングには、知人とのソーシャルネットワーキング、見知らぬ人とのソーシャルネットワーキング、職場でのソーシャルネットワーキング、さまざまな関心のあるコミュニティが含まれ、さまざまな人々を結び付けるリンクです。

異なるビジネス分野のユーザーは異なる考え方や使用習慣を持っており、それがレコメンデーションシステムにいくつかの違いをもたらします。電子商取引は消費チェーンの末端にあり、ユーザーは通常、特定の実際のニーズを持っています。同時に、通常は支払いが必要なため、ユーザーの意思決定コストとコンバージョンコストが高くなります。したがって、検索システムも電子商取引ビジネスでは非常に重要であり、通常はレコメンデーションシステムと連携して機能します。さらに、ユーザーの再購入行動は電子商取引シナリオでは非常に一般的であり、多くのユーザーは過去の注文から直接商品を購入することさえあります。最後に、電子商取引ビジネスの制作側の販売者としては、通常、敷居が高く、営業許可およびその他の書類が必要です。

コンテンツは消費チェーンの上流にあり、ユーザーには目的がないことが多く、意思決定のコストが低いことが多いため、レコメンデーションシステムに依存することが多くなります。ほとんどの場合、ユーザーは閲覧したコンテンツにはもう興味がないため、推奨システムで露出フィルタリングを行う必要があります。また、コンテンツクリエイターの敷居はEC業者に比べて非常に低く、規模も大きいため、コンテンツクリエイターが混在しやすいのも特徴です。最後に、ニュースなどのコンテンツシナリオでは、リアルタイム要件が比較的高く、これもレコメンデーションシステムにとって大きな課題となります。

3 コンテンツメディアの分類

コンテンツ媒体に応じて、推奨システムにはプレーンテキスト、グラフィックス、短いビデオ、長いビデオ、ライブブロードキャストなど、さまざまな形式が含まれます。メディアが異なれば制作の難易度も異なります。その中でプレーンテキストが最も簡単ですが、長いビデオやライブブロードキャストはより困難になります。制作の難易度は、さらにコンテンツの規模や制作者数の違いにつながります。例えば、映画やテレビを中核とする長編動画プラットフォームは、短編動画など他のプラットフォームに比べてコンテンツ供給量が大幅に少ない。これは、コンテンツプールのサイズである推奨システムに反映されます。

さらに、メディアが異なれば、ユーザーは異なる情報密度と視聴覚体験を得ることができます。写真は強い視覚的インパクトをもたらし、ビデオは人々を身体的および精神的によりリラックスさせ、ライブブロードキャストはより優れたインタラクティブ機能をもたらします。これは、レコメンデーションシステムのアイテムのクリックスルー率とコンバージョン率に一定の影響を与えます。

4 インタラクティブフォームの分類

インタラクション形式に応じて、推奨システムにはシングルカラム、ダブルカラム、マルチカラム、イマーシブなどのさまざまな方法が含まれます。インタラクション形態の違いにより、アイテムの情報量や露出密度に違いが生じます。通常、複数列フォームでは 1 つのアイテムの表示情報が最も少なく、露出するアイテムの数が最も多くなります。一方、没入型フォームはその逆です。これは、レコメンデーションシステムの詳細なランキングなどのモジュールのデータサンプルに一定の影響を与えます。

さらに、インタラクション形式が異なると、ユーザーの注意とユーザーエクスペリエンスも異なります。たとえば、2 列および複数列のフォームでは、ユーザーがクリックしないと、ユーザーの注意が他の項目に集まる可能性があります。逆に、没入型のシナリオでは、ユーザーの否定的なフィードバックの信頼レベルが高くなります。

最後に、没入型には特別な点があり、露出と変換が統合されており、クリックせずに再生できます。1 列、2 列、および複数列モードでは、通常、情報フローページで目的の項目をクリックし、詳細ページにジャンプして表示し、最後に情報フローページに戻って参照する必要があります。その他の項目。露出、クリック、コンバージョンなどのステップを踏む必要があります。これにより、レコメンダーシステムのモデル化方法に特定の違いが生じます。図 1 に示すように、JD.com APP の推奨システムのさまざまな対話形式が示されています。

図 1 JD.com APP の単一列、二重列、複数列、および没入型インタラクション形式

5 アプリケーションシナリオの分類

アプリケーションシナリオに応じて、レコメンデーションシステムには、ホームページ、垂直カテゴリページ、関連するレコメンデーションなどのさまざまなシナリオを含めることができます。ホームページはトラフィックが最も多く、通常は包括的な推奨シナリオであり、さまざまなアイテムがそのトラフィックをめぐって競合します。通常、縦型カテゴリでは、デジタル、紳士服、食品など、対応するカテゴリのアイテムのみが推奨されます。関連する推奨事項には、通常、現在の項目と一定の関連性を持つ他の項目の推奨が必要です。

3 つの間にはモデリング方法に特定の違いがあります。通常、ホームページは最も複雑であり、さまざまなビジネス目標とルール戦略を考慮する必要があります。通常、その推奨プールは最大であり、最も豊富なデータサンプルが含まれています。垂直カテゴリページは個別にモデル化できますが、メンテナンスを容易にするために、マルチドメイン学習に基づいてホームページと組み合わせてモデル化することもできます。関連する推奨事項は、現在の項目に焦点を当て、それに関連する他の項目を推奨する必要があります。通常、相関関係は強いものから弱いものまであります。図 2 に示すように、JD.com APP には推奨システムのさまざまなアプリケーションシナリオがあります。

図 2 JD.com APP のホームページの推奨事項、垂直カテゴリおよび関連する推奨事項

6 まとめ

検索、推奨、広告はほとんどのインターネット企業の中核事業であり、その地位は自明です。この方向で働くエンジニアは非常に幸運です。同時に、検索、レコメンデーション、広告という3つの大きな方向性は同一線上にあり、再利用性が非常に高く、基本的に1つの方向性をマスターすれば、他の2つの方向性も便利になります。この記事は、「レコメンデーションアルゴリズムをマスターする」に関するシリーズ記事の最初の記事であり、今後さらに多くのコンテンツがシリーズ化される予定です。想起、大まかな分類、詳細な分類と再配置、現在の重要な点と困難な点、最適化の方法、業界の古典的なモデルなどの知識体系が含まれます。有益な情報がたくさんあるので、注意して収集することを強くお勧めします。