レコメンド/パーソナライズ(技術仕様)

技術仕様

ソケッツレコメンドエンジンの進化

大量の商品の中から個人の嗜好に合ったものを勧める、すなわち「レコメンド」は元来推薦者の知見や勘を頼りに行うアナログ的なものでした。ソケッツではインターネットの普及に伴い、ビッグデータ分析や統計/解析アルゴリズムを用いたレコメンドの機械化に長年にわたり取り組んできました。 近年では、独自開発の感性メタデータ(エモーショナルメタデータ)を最大限に生かしたコンテンツベース、協調フィルタリングレコメンダーエンジンとパーソナライズされたアルゴリズムのユニークなハイブリッド構築のエンターテイメントレコメンドエンジンに進化を遂げています。

レコメンド総合環境「emerge」

ソケッツ独自開発のレコメンド総合環境「 emerge 」は、長年の経験から導き出したレコメンデーションにおけるノウハウの集大成です。 特にエンターテイメントにおいて、コンテンツベースや強調フィルタリングのような分析アルゴリズムだけでは導けないユーザーの趣向の深層心理にリーチする専門家による人知の結晶である感性メタの分析、各既存サービスのアクションログと向き合った行動分析、結果をありきたりなものにしない突然変異混入ルールベース等様々な手法をハイブリッドにミクスチャーすることができます。また機械学習も積極的に取り入れ使い込むほどに寄り添う、進化するエンジンともいえます。

イメージ図:レコメンド総合環境「emerge」

emerge Core Engineのレコメンド方式と判別属性

emergeでは、分析・解析による4つのレコメンド方式を採用し、「レコメンドするために必要な情報は何なのか」、「何をもってレコメンドするためのルールとするか」という切り口で分類し、それぞれのレコメンド方式は、さらに「どの判別属性を軸にレコメンドアイテムを決定しているのか」という切り口によって細分化し、これらをサービスの特性に合わせて調合します。特にベイジアンネットワークの確率推論アルゴリズムではコンテンツを利用する環境、時間、目的を分析し、パーソナライズド・レコメンドの実現に有効な手段となります。

人と機械がバランスよく融合した手作りレコメンドエンジン

ビッグデータ(ログ)解析による数値だけではユーザーひとり一人に向けた理想的なレコメンド結果を導くことはできません。人の感覚をマシンリーダブルにするメタデータ、エンタメサービスのログの解析/補正実績、そして何にも増すのがクリエーターや専門家の人知です。これら自動化すべき部分と経験値による人が行うべき部分をバランスよく調合して導いた結果が理想のレコメンドと考えています。

イメージ図:人と機械がバランスよく融合した手作りレコメンドエンジン

ソケッツレコメンドエンジンの特徴

1.人力感性メタ付与、大手協業音楽/映像サービス運用10年の実績

国内運用実績ある統計データ/教師データによる性能向上と効率化

2.カスタマイズ性/柔軟性の高い設計のレコメンドエンジン

ソースコードレベルでのカスタマイズ性の維持、特に国内では欧米に比べデータ構造が複雑なため、カスタマイズ性の高さは必須と思われます。

3.日本人の感覚に合った感性メタの設計

専門チームにより、特に日本語データの解釈に関してこだわった設計・付与となっています。

4.複数のレコメンド手法をバランスよく調合するミクスチャー設計

サービス要件、ユーザーの趣向に応じて適切なレコメンドモジュールを選別し、ライトユーザー、ディープユーザー、コールドスタート等に柔軟に対応できます。

5.クロスデータ収集

音楽、映像、書籍、その他をすべて保有していることで共通したアーキテクトによるデータ収集と体系化が可能です。360℃展開事業へのシームレスな意向を実現します。

関連サービス

技術仕様

Pagetop