ディープラーニングがインターネットにパーソナライゼーションをもたらす仕組み

[[195601]]

ディープラーニングは機械学習のサブセットであり、さまざまな方法を使用して人工知能研究の中核的な目標を達成します。その中核的な目標とは、コンピューターが私たちの世界を完全にモデル化し、私たちの理解における「知性」を実証できるようにすることです。

基本的な概念的な観点から見ると、ディープラーニング手法には非常に基本的な共通の特性があることがよくあります。ディープラーニング アルゴリズムは、複数の処理層を通じて生データを解釈します。各処理層は、前の処理層の出力を入力として受け取り、より抽象的な表現を作成します。したがって、正しいアルゴリズムにより多くのデータが入力される限り、アルゴリズムは通常、関連するルールや機能に密接に関連する推論やシナリオをさらに提供し、新しい同様の状況に対処するときにそれらを参照として使用することができます。

Google 翻訳が提供する SF 風の Word Lens 機能は、一連のディープラーニング アルゴリズムによってサポートされている製品です。最近人気のディープマインド社の「AlphaGo」も、ディープラーニングの強力な機能で囲碁界を席巻している。しかし、AlphaGoの勝利アルゴリズムは純粋なニューラルネットワークではなく、古典的なAI基本技術である深層強化学習とツリー探索を組み合わせたものだ。

ディープラーニングは、画像分類や自然言語処理などの単純なアルゴリズムでは直接解決するには複雑すぎる計算上の問題を解決するための包括的なアプローチです。しかし、ディープラーニングの実用化は現時点ではまだ非常に限られています。現在機械学習技術を使用しているほとんどの業界では、ディープラーニングや関連手法の可能性を十分に活用できておらず、そのベストプラクティスの一部を借用しているだけです。たとえば、最近のディープラーニング革命に注目している人は、Google の元 AI 責任者である John Giannandrea が同社の検索部門を引き継いだという話を聞いたことがあるかもしれません (これは SEO 分野全体に革命を起こす可能性もあります)。

ディープラーニング技術を活用した推奨システム - パーソナライズされた未来のソリューション

確かなのは、ディープラーニングがパーソナライゼーションの分野でも次の大きな飛躍を推進するだろうということです。パーソナライゼーションは、売上の増加、エンゲージメントの強化、全体的なユーザー エクスペリエンスの向上に効果があることが実証されているため、e コマース企業、出版社、マーケティング エージェンシーにとって中核的な分野となっています。データがパーソナライゼーションの燃料であるならば、推奨システムはその動力エンジンです。こうしたアルゴリズムの進歩は、この分野とプラットフォームユーザーのオンライン体験に大きな影響を与えるでしょう。

ここでは、ディープラーニングが既存の推奨システムをどのように補完し、改善できるかを探るために、3 つの特定の領域を検討します。

紹介プロセスにコンテンツを組み込む

アイテム間の推奨は、推奨システムにおける標準化されたプロセスです。つまり、eコマースサイトやパブリッシャーサイトが推奨を行う際、その推奨はユーザーが以前に閲覧した他の類似アイテムに基づいて行われます。このような要件に対処するための一般的なアプローチは、メタデータに基づくビジネス ロジックです (もう 1 つの一般的なデータ ソースは、Amazon で提供される「この製品を購入したユーザーは、次の製品も購入しました...」などのユーザー インタラクションです)。しかし、メタデータの品質が低いことが、実際の有効性を制限する一般的なボトルネックになっています。これは主に、メタデータの価値の欠如、または体系的な配布の欠如が原因です。この場合、完璧なメタタグを使用しても、そのようなデータは実際のアイテム間の間接的な接続しか表現できません。ディープラーニングの助けを借りて、コンテンツ（画像、ビデオ、テキストを含む）などの実際のコンテンツ属性を推奨プロセスに組み込むことができます。ディープラーニングを使用すると、アイテム間の関係は、手動によるラベル付けや広範なインタラクション履歴への依存度が低くなり、アルゴリズムによる製品のより包括的な理解と一致するようになります。

この点では、Spotify の推奨システムは非常に評価に値します。同社は2014年の研究でディープラーニングを推奨システムに導入し、より多様な曲の推奨を提供しながら、ユーザーがよりパーソナライズされた体験を生み出せるようにすることを目指した。この音楽ストリーミングサービスは、これまでも推奨システムに協調フィルタリングを使用してきた。しかし、Spotify の博士課程の学生でありインターンでもある Sander Dieleman 氏は、これが現在の機能の最大の欠陥だと考えている。なぜなら、この非常にデータ集約的なアプローチでは、一般にあまり知られていない人気のない新進気鋭のアーティストやその曲が必然的に見逃されてしまうからだ。そこでディールマン氏はディープラーニングアルゴリズムを使用して、50万曲のそれぞれから30秒の抜粋を選択し、音楽そのものを分析しました。この連続多層学習ネットワークは、より複雑で一定の歌の特徴を把握することができ、その基本的な考え方は画像分類と非常に似ています。実際、「ネットワークの出力層の上にある完全に接続された層に基づいて、学習したフィルターは、最終的にはゴスペル、チャイニーズポップ、ディープハウスなど、音楽の特定のサブカテゴリについてより選択的になる可能性があります」。実際には、このようなシステムは、曲の類似性（ユーザーがパーソナライズされたプレイリストを作成するために重要な特性）のみに基づいて、効果的に音楽を推奨できることを意味します。 Spotify がこれらの調査結果を実際のアルゴリズムに組み込むかどうかはまだ明らかではないが、この実験自体の重要性は依然として高く評価されるに値する。

コールドスタート問題の解決

コールドスタートは推奨システムにとって天敵であり、ユーザーやアイテムに重大な影響を及ぼす可能性があります。ユーザーにとって、コールド スタートとは、現在のシステムに顧客の行動や好みに関する情報がほとんどないかまったくないことを意味します。アイテムのコールド スタートは、ユーザー インタラクションをガイドできるアイテム間の相関データが不足していることを意味します (メタデータはまだありますが、本当に詳細な推奨事項を提供するには不十分です)。上記のコンテンツベースの方法を使用すると、推奨システムがトランザクションおよびインタラクション データにあまり依存しなくなるため、アイテム コールド スタートの実際の効果が大幅に向上します。

しかし、新規ユーザーにとって意味のあるパーソナライズされたエクスペリエンスを作成することは、単に情報を収集するだけでは解決が難しい、もう 1 つの厄介な問題です。この状況は、幅広い製品ポートフォリオを持つ電子商取引 Web サイトやオンライン ストア システムでよく見られ、顧客は時間の経過とともにまったく異なる閲覧目的にランダムにアクセスします。最初は電子レンジを購入しようと決めても、次回の訪問では携帯電話を探すかもし​​れません。この場合、最初のセッションで収集されたデータは、2 番目のセッションとはほとんど無関係になります。

ユーザーのコールド スタート問題を解決するための興味深いアプローチは、セッション ベースまたはアイテムから会議までの推奨事項を構築することです。簡単に言えば、これはシステムが顧客の全体的なインタラクション履歴に依存せず、関連するデータを複数の異なるセッションに分割し、特定のセッションのクリック ストリームに基づいてユーザーの興味モデルを構築することを意味します。このように、将来の推奨システムは、数か月または数年にわたって収集された慎重に作成された顧客プロファイルに依存するのではなく、ユーザーがウェブサイトをしばらく使用した後に、合理的で関連性の高い提案を提供できるようになります。

この分野はまだ十分に研究されていませんが、オンライン体験をパーソナライズする大きなチャンスを表しています。 EU の資金提供を受けた CrowdRec プロジェクトに取り組んでいる Gravity R&D の研究者らは、畳み込みニューラル ネットワーク (RNN) アプローチを使用して会話ベースの推奨を提供する方法を説明した論文を共同執筆しました。これはディープラーニング技術を用いて会話ベースでレコメンデーション機能を実装した初の研究論文であり、その結果、その手法が現在の最先端のアルゴリズム技術よりも効果的であることが示されています。

4つの真実の瞬間

4 つの真実の瞬間とは、顧客が企業のコミュニケーションと入手可能な関連情報に基づいて意思決定を行う 4 つの短い期間を指します。こうした決定は長期的な考慮、個人の好み、ブランドへの忠誠心によって大きく左右されますが、瞬間的な印象によっても左右されます。こうした真実の瞬間に直面して、強力なディープラーニング システムが人間の意思決定プロセスに影響を与える実行可能なアプローチを提供できるかもしれないという洞察は、間違いなく非常に斬新です。

たとえば、美しい商品写真が売上を伸ばすことができることは誰もが知っています (賃貸物件や食べ物の美しい画像を作成するための業界全体が存在します)。一方、ディープラーニングベースの画像解析手法を用いて、商品画像の視覚的特徴が販売活動にどのような大きなプラスの影響を与えるかを評価することも期待しています。

確かに、この記事で取り上げた内容は網羅的ではありません。パーソナライゼーションは、今日のインターネット業界において最も差し迫ったニーズの一つであることは間違いありません。そして、ディープラーニング技術がこの分野で大きな可能性を秘めていることはほぼ間違いありません。したがって、競争上の優位性を維持したい企業は、当然ながらこの技術の発展と動向に注目する必要があります。

オリジナルリンク:

http://dataconomy.com/2017/06/deep-learning-personalizing-internet/