推薦システム：「こちらもおすすめ」が決まる仕組み

大手テクノロジー企業以外でも推薦システムが重要なのはなぜですか？

顧客がすべてを見て回れないほど多くの商品を扱う事業では、推薦システムが重要です。システムが最初に何を表示するかによって、どの商品が見られ、買われ、補充されるかが大きく左右されるためです。

約4,000点の商品を扱い、15人のチームで運営する架空の手芸用品オンラインショップ、ウィローミア・クラフツを例に考えます。電子商取引の責任者ハナのもとに、仕入れチームからの苦情と、'こちらもおすすめ'欄を設置した代理店からの報告が届いています。メモにはこうあります。'ほぼすべてのページで同じ40商品が推奨される。春の新作毛糸シリーズ（220点）は、3週間たっても推奨欄でほとんど表示されていない。再訪客には適切な提案が出るが、初回訪問者には無作為に選んだような提案が出る。独立系の作家ブランドからは、自社商品が一度も表示されないと言われている。' ハナは代理店に変更を依頼する前に、何が起きているのかを創業者に説明する必要があります。

レコメンドシステムは、何を表示するかをどう決めますか？

多くの推薦システムは、コンテンツベースのフィルタリング、協調フィルタリング、または両者の組み合わせを使用しています。違いは、項目同士を比較するか、人同士を比較するかです。

コールドスタート問題とは何ですか?

コールドスタート問題とは、推薦システムが新しい商品や新規ユーザーについて利用履歴を持たないため、適切な推薦が難しくなることです。特に協調フィルタリングでは、まだ誰も購入もクリックもしていない商品を適切に位置付けられません。ウィローミアの春の毛糸シリーズで起きたのは、まさにこの問題です。また、初めての訪問者についても、判断材料がほとんどありません。

一般的な対策として、新商品にはコンテンツに基づく類似度を使う、同じカテゴリーや同じメーカーのほかの商品から新商品を推定する、新規訪問者には意図的に種類を分散させた人気商品を表示する、といった方法があります。店舗に合う場合は、好みについて簡単な質問を1つか2つ尋ねる方法もあります。

フィードバックループや公平性の問題は、どのように生じますか？

システムが、自ら選んで表示した商品のクリックから学習すると、フィードバックループが生じます。頻繁に表示される商品ほどクリックが増え、その結果、さらに表示されやすくなります。やがて、ウィローミアの40商品の例のように、一部の人気商品がほかの商品を押しのける一方、表示されない商品には評価される機会すらありません。

ここから、公平性の問題が生じます。独立系メーカーの商品は、当初の利用履歴が少ないと、この循環によって品質に関係なく表示されない状態が続き、顧客の選択肢が狭まる可能性があります。対策としては、新しい商品や表示機会の少ない商品のために推薦枠をいくつか確保すること、総クリック数だけでなくメーカー別やカテゴリー別に表示機会を測定すること、モデルが過去の自分の選択だけから学習しないように学習データを更新することが挙げられます。

代理店への依頼には、不十分な例と改善した例でどのような違いがありますか？

不十分な依頼は、「おすすめがうまく機能していないので、改善してください」というものです。委託先は、同じ種類のクリックデータを増やして再学習するだけかもしれず、それでは循環が強まります。

依頼を改善すると、次のようになります。'現在のおすすめ欄は、購入履歴だけに基づいているようです。次の対応をお願いします。(1) 新商品には、十分な履歴が蓄積されるまで、繊維、重さ、色、技法などの商品属性を使っておすすめしてください。(2) 初めて訪れた人には、単一の売れ筋リストではなく、カテゴリーを横断した多様な商品を表示してください。(3) 8枠のうち2枠は、過去30日間の表示機会が少ない商品用に確保してください。(4) おすすめの表示回数の内訳を、作り手別、商品発売からの経過期間別に毎月報告してください。(5) 訪問者をグループに分けて、変更後のおすすめ欄と現在のおすすめ欄を比較テストし、クリック数だけでなく注文数を測定してください。'これでハナは、依頼した作業が実施されたかを判断できます。

レコメンドが効果を上げているかどうかは、どう確認しますか？

おすすめ機能は、クリック率だけでなく、注文、返品、表示機会が商品や仕入先にどれだけ広く分散しているかまで確認して評価します。少数の売れ筋商品のクリックを増やす一方で、新商品群を埋もれさせる表示枠は、事業に悪影響を及ぼしている可能性があります。セール中や休暇シーズンに表示されたおすすめは、どのモデルでも良い結果に見えやすいため、旧バージョンを表示する訪問者の対照群と比較して変化を評価します。

推薦システムでよくある間違いは何ですか？

最も多い間違いは、クリック数だけを最適化することです。これでは目を引く項目が優遇され、その傾向がフィードバックの循環で強まります。ほかにも、内容の特徴データを用意せずに新しい商品群を投入してコールドスタートの問題を招く、対照群を設けず前後の比較だけで成果を判断する、一度も表示されない仕入先やカテゴリーを見落とす、プライバシーに関する通知で顧客に知らせずに個人データを推薦に使う、といった間違いがあります。

このレッスンはTosheo.aiの中でどのように位置づけられていますか?

このレッスンは、機械学習講座の機械学習カテゴリーに属し、モデルの学習方法と評価方法のレッスンに続く内容です。Tosheo.aiの実習課題では、架空の店舗のおすすめ機能を改善するための依頼書を作成します。採点基準に基づくフィードバックでは、コールドスタート、フィードバックループ、公平性、公正な検証方法を確認します。この仕事を依頼し、成果を判断するための実務上の基礎を学ぶものです。コードによる推薦システムの構築は、任意のコード実習コースで扱います。

出典と対象範囲

Google開発者向けサイト、推薦システム講座：候補生成の概要（19 October 2026確認） ↗

Google開発者向けサイト：コンテンツベースのフィルタリングの利点と欠点（19 October 2026確認） ↗

Google開発者向けサイト：協調フィルタリングの利点と欠点、コールドスタートを含む（19 October 2026確認） ↗