ECサイトで購入したときに表示される、「この商品を買った人はこんな商品を買っています」、いわゆるレコメンドは現在多くのWebサイトで見かけるようになりました。それを勧められるままにクリックしていくと、いろいろな発見があって、何とも思わなかった商品を気づけば欲しい物リストに登録…なんてことも。
「おすすめ」への表示コンテンツを決めているのは、もちろん人間ではありません。利用者の閲覧履歴や購入履歴をもとに、今後利用者が購入しそうな商品を予測するところに、AI（人工知能）の技術の1つである機械学習を用いたシステムが利用されています。これをレコメンドエンジンといいます。
今回は、レコメンドエンジンについて解説いたします。
おすすめの商品を紹介する「レコメンドエンジン」とは
レコメンドエンジンは、ユーザーに対して商品やサービスを提案（＝レコメンデーション）するシステムです。ユーザーが閲覧したWebサイトやWebページ、ECサイトの購入履歴なども含めて、ユーザーのいろいろな情報を集計し、「統計モデルを考案しては実装する」ことが一般的に行われています。ユーザーの好みに近いものを推測して提示するレコメンドエンジンのシステムは、言い換えれば機械学習による推測の結果といえるでしょう。
レコメンドエンジン自体は既に一部のECサイトで実用化されていますが、より実店舗の接客に近い応対ができるように、レコメンドエンジンのさらなる技術開発や実証実験が行われています。
レコメンドエンジンの種類
レコメンドエンジンは以下のタイプに分けることができます。
内容に基づいてレコメンドするタイプ
このタイプのレコメンドエンジンは、ECサイトであればユーザーと店舗がECサイト上に登録している情報やユーザーの閲覧情報、ニュースサイトであれば記事本文とそれに関する情報から、ユーザーに関連性のある内容を計算で導き出せます。
例えば、AI（人工知能）に関するオンラインのニュース記事を読んでいるとしましょう。その読者に行う、「次はこんな記事を読んでほしい」という提案が、「レコメンドエンジンが解決するべき課題」です。
協調フィルタリングによる方法
「協調フィルタリング」とは、ECサイトに利用者として登録している全てのユーザーの閲覧履歴や、ユーザーの行動履歴（ECサイト内の閲覧履歴）を集計したデータから、購入履歴や評価などを分析して同じ傾向の人を見つけ、その人が購入済みの商品はあなたもほしいであろうと推測して表示する仕組みです。
この方式には、人気が高い商品にレコメンドが偏る一方で、ユーザー数や閲覧履歴のデータが少ないと精度が下がり、訪問するユーザー数が少ない、商品が新製品でユーザーも新規、といった場合にはあまり機能しないというデメリットがあります。
コンテンツベース（商品ベース）フィルタリング
協調フィルタリングのデメリットを補う方法として、「コンテンツベース（商品ベース）フィルタリング」というのがあります。商品（コンテンツ）ごとに関連する別の商品を登録しておき、その都度レコメンドする手法です。ファッションであればブランドやジャンル、カテゴリー、価格帯など、商品の特徴を予め登録し、それに近いものを関連付けておきます。事前に特徴を登録しておくため、ユーザー数やアクセス数が多くなくても設定できるメリットがあります。
この手法であれば、あるブランドのジャケットにアクセスしたユーザーは、同じブランドのネクタイや靴にも興味がある可能性が高いでしょう。ユーザーが探しているのが単にジャケットであれば、別のブランドでも同様の素材や色のジャケットにも興味を持つかもしれません。
その他、音の波形や画像などのコンテンツが持つ性質から、ディープラーニングを使って類似性を探るレコメンド手法の開発が進んでいます。
レコメンドエンジン利用の今後
もし今ECサイトを運営していて、レコメンドサービスやレコメンドエンジンを導入したいと考えたとします。その場合、既に様々な企業がリリースしているレコメンドサービスやレコメンドエンジンを利用する方法があります。
例えば、インターネット企業のエキサイト株式会社では、AI（人工知能）搭載レコメンドエンジン「wisteria（ウィステリア）」を提供。自社で展開しているExciteニュースへの活用を目的として開発したものに、改良を加えて提供しています。
今後、よりユーザーに関連性の高い内容を、広告を表示するタイミングも含めて効果的に提供できるシステムが構築されることが予想されます。その際、ディープラーニングを含めた機械学習アルゴリズムの活用が進んでいくとみられています。
またテキストと数値データ以外にも、画像や動画、音楽などのメディアデータも絡めたレコメンドエンジンの開発なども、よりユーザーの嗜好に合わせたものへと変化していくでしょう。
