commendo research & consulting GmbH

レコメンド（推奨）エンジン
“Recommendo”の技術
commendo research & consulting GmbH
ケーフラッハ, 2010
レコメンド（推奨）エンジン“Recommendo”とは？
 ユーザー行動分析のために開発された、「推奨エンジン」ツール
ユーザー行動情報・アイテム情報を収集。
その属性を独自技術手法で分析。
分析結果から推奨（レコメンド）データを提案。
 独自分析手法により、高精度な分析結果を出力
適用している属性判別手法：
ユーザー／アイテム予想＋ユーザー／ユーザー補正＋アイテム／アイテム補正
独自な分析ロジック：
強調フィルタリング＋コンテンツベースフィルタリング＋ α
 世界No.1の評価を受賞
「高速・高精度な分析結果」が、世界的に高く評価され数多くの賞を受賞。
‐ 2009年「Netflix 賞」1位受賞（世界186国から50,000チームが参加）
‐ オーストリア他で行われた各種評価会で入賞実績あり。
Slide No 1
Recommendoの主な機能
 入力データ
• 全ての可能なユーザー・データ（年令、性別、他）
• 全ての可能なアイテム・データ（値段、商品分類、他）
• ショッピングカート内の情報
• 購入情報
INPUT
• クリック情報（ユーザー挙動）
• 等
OUTPUT
 出力データ（予想データ＋補正データ）
• トップ “X” 順位の推奨商品リスト（レーティング毎にソート・アンソート）
• 全体のセット購入組み合わせ割合から、ある商品購入者向け他商品の推奨データ提示
 属性判別・分析ロジック
属性判別
分析ロジック
• ユーザー／アイテム予想
• 強調フィルタリング
• ユーザー／ユーザー補正
• コンテンツベースフィルタリング
• アイテム／アイテム補正
• 初期開始時の問題に対する対策
（ユーザー、商品、購入履歴、レーティング、ショ
ッピングカート情報を考慮）
Slide No 2
Recommendoの強み
 顧客ニーズにあわせたカスタマイゼーション
顧客サイトにインストール
スタンド・アローンなツール（ソリューション）
セキュリティ・プライバシー問題の無い、自立したツール
 先端テクノロジーの牽引
高精度な分析エンジン（予想確度世界No.1を受賞）
高速な分析エンジン
• 高速レスポンスタイム：ユーザーアクションをリアルタイムにエンジン分析に取り込み瞬時に結果出力
• 高速インテグレーション：リアルタイムデータによって予想確度に影響なし（それまでの予想確度の精度
を保つ）
エンジン内アルゴリズムをニーズにあわせてチューニング可能
 メンテナンス性の高さ
簡単なバックアップ・リカバリー手順
簡単なインスタレーション・インテグレーション
Slide No 3
Recommendoの過去の評価受賞実績
 ネットフリックス賞 2009 一位賞金を受賞
予想確度最高得点
Initiated by Netflix Inc. www.netflix.com
 オーストリア連邦国家賞受賞（2009）
オーストリア共和国連邦経済省
コンサルティングサービスと情報技術
 オーストリア・コンスタンティヌス賞（2009）
オーストリア国連邦産業院 – UBIT オーストリア
 西スティリア企業賞受賞
革新賞受賞 (2009)
 E-ビズ e政府受賞 (2009) スティリア
オーストリア首相、Report Verlag オーストリア
 INNOward 2010受賞
スティリア州商工会議所、「コンサルティングサービスおよび情報技術」分野
Slide No 4
補足資料
Slide No 5
Recommendoのパフォーマンス＝オーストリアでの実証実験結果＝
1. 実験条件：全12ヶ月、2段階
① 11か月のユーザーの商品購入調査実績＜お薦め表示無し＞
- 掲載全商品数２５、０００個
- 全体の商品購入アイテム数１００万個
- 全体の商品購入ユーザー数１６万人
- 各個人の商品購入アイテム種類と購入アイテム数
② 1ケ月の商品購入評価＜お薦め表示あり【ショップお薦め】 vs 【推奨エンジンお薦め】＞
(a) Shopお薦め「Top5」（固定）
(b) 推奨エンジン出力「Top5」（過去実績＋ﾕｰｻﾞｰｱｸｼｮﾝをﾘｱﾙﾀｲﾑに反映して変化）
2. １ヶ月の評価実験：「お薦めｱｲﾃﾑ」に対し「実際購入ｱｲﾃﾑ」一致回数から予想確度算出
1か月の購入実績
掲載商品数
= ZZZZ
A
合計
予想確度
ﾕｰｻﾞｰ
ｱｲﾃﾑ数
(a)Shop5
(b)ｴﾝｼﾞﾝ5
A
B
C
D
…
3
8
5
7
…
0
0
1
0
…
1
3
2
2
…
000人
000個
XX
予想確度＝ B ／ A （一致回数 / 全掲載商品数）
Slide No 6
B
YY
数字はすべて
一例
B
Recommendoのパフォーマンス＝オーストリアでの実証実験結果＝
3. １ヶ月間の予想確度（お薦め結果のパフォーマンス）
4.
(a) Shopお薦め「Top5」
0.74%
(b) 推奨エンジン出力「Top5」
1.74%
Shopにくらべ、エンジンが2.4
倍確度高い。
推奨エンジンのパフォーマンスデータ（２）：ﾕｰｻﾞｰ毎購入数分布で予想確度を分析
購入数
確度(%)
1
1.62
2
2.16
3
2.19
4
2.47
5
2.73
6
2.62
7
2.79
8
3.05
9
2.87
購入数が多いときほど
、エンジンの確度高い（
高性能）。
Slide No 7
Recommendo機能・システム統合
XX 社広告Web (Commendo Demo システム画面）
Web API
xml file ｺﾏﾝﾄﾞ送信
(ﾕｰｻﾞｰｱｸｼｮﾝ)
Recommendo
Input
ｱﾙｺﾞﾘｽﾞﾑ
ショッピング
カート
xml fileｺﾏﾝﾄﾞ送信
(結果要求)
表示
Output
Shopのお奨めTopX
Commendoの推奨結果
xml fileｺﾏﾝﾄﾞ送信
(統計データ結果要
求、Webに直接表示
可能)
ユーザー開発
Slide No 8
統計処理
Commendo
Recommendoシステムの技術要件
 ハードウエア
64bit Linux Systemが必要。
Ｄual Core マシン必要。
• 1番目のＣore は、システムトレーニング用
• 2番目のＣore は、リアルタイム実用要件のため
Memory とＤiskspaceは、取り扱うデータ量に依る。
• 最低 1GB memory
• 最低 2GB free diskspace
特別なＤatabase サーバーは不要。
 データセットアップ
指定 ID フォーマットに、ユーザー、ユーザーグループに登録 (uID, uGID)
指定 ID フォーマットに、アイテム、アイテムグループに登録 (uID, uGID)
Slide No 9
Commendoの会社概要
 Commendo
2008年7月創業
株主4名
• Georg Preßler, MA
• Andreas Töscher, MSc
• Michael Jahrer, MSc
• Michael Schrotter, MA
本社: オーストリア国ケーフラッハ
 専門分野
以下の分野の研究開発:
• 機械学習
• カスタマイズされたレコメンダシステム
コンサルティングサービスのIT
Slide No 10

Download Report