基礎から学ぶ推薦システム
書籍情報
発売日 : 2022年07月01日
著者／編集 : 奥 健太
出版社 : コロナ社
発行形態 : 単行本
書籍説明
内容紹介
「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。
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
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
著者情報
奥 健太
奥, 健太
