• ニュースメール
  • アフターサービス
  • 教科書献本のご案内
  • facebook
  • 構造計画研究所

推薦システム―統計的機械学習の理論と実践― 

書籍情報
ISBN978-4-320-12430-1
判型A5 
ページ数352ページ
発売予定2018年04月25日
本体価格3,800円
推薦システム 書影
推薦システム

新刊

推薦システムの構築を検討しているエンジニアにとって,現実的な課題に対峙するための知識を得るために最適な一冊。

本書は,推薦システムにおける課題設定,理論およびシステム構築の複雑な概念を,著者の大規模システムでの開発/運用事例をもとに具体的な説明を行っている。理論と実践の両面から記述している書籍は少ないが,本書では理論と実践のギャップを埋めるように解説している。また,実システム上でのモデルの効率的なアップデートやコールドスタート問題などの現実的に直面する問題への対応や,多目的最適化についても述べており,現実世界の問題を解くための足がかりとなる内容となっている。推薦システムの構築について,古典的手法から応用的手法までを,各手法の課題に触れながら説明しているため,実務で応用可能な理論的/技術的な知識を獲得することが出来る。

目次

第I部 導入

第1章 はじめに
1.1 ウェブアプリケーションへの推薦システム導入時の留意点
 1.1.1 アルゴリズム上の工夫
  1.1.2 最適化指標
  1.1.3 探索と活用のトレードオフ
  1.1.4 推薦システムの評価
  1.1.5 推薦と検索:プッシュとプル
1.2 シンプルなスコアリングモデル:Most-Popular推薦
1.3 演習

第2章 古典的手法
2.1 アイテム素性ベクトル
  2.1.1 カテゴリ化
  2.1.2 bag-of-words
  2.1.3 トピックモデリング
  2.1.4 その他のアイテム素性ベクトル
2.2 ユーザ素性ベクトル
  2.2.1 公表されているユーザプロファイル
  2.2.2 アイテム素性ベクトルの利用
  2.2.3 その他のユーザ素性ベクトル
2.3 素性ベクトルベースの手法
  2.3.1 教師なし手法
  2.3.2 教師あり手法
  2.3.3 コンテキスト情報
2.4 協調フィルタリング
  2.4.1 ユーザ間の類似度にもとづいた手法
  2.4.2 アイテム間の類似度にもとづいた手法
  2.4.3 行列分解
2.5 ハイブリッド法
2.6 まとめ
2.7 演習

第3章 推薦問題における探索と活用
3.1 探索と活用のトレードオフ
3.2 多腕バンディット問題
  3.2.1 ベイジアンアプローチ
  3.2.2 ミニマックスアプローチ
  3.2.3 ヒューリスティックなバンディット戦略
  3.2.4 備考
3.3 推薦システムにおける探索と活用
  3.3.1 Most-Popular推薦
  3.3.2 個別化推薦
  3.3.3 データスパースネス
3.4 スパースデータを用いた探索と活用
  3.4.1 次元削減手法
  3.4.2 次元削減を用いた探索と活用
  3.4.3 オンラインモデル
3.5 まとめ
3.6 演習

第4章 推薦システムの評価
4.1 オフライン評価における従来手法
  4.1.1 データ分割手法
  4.1.2 精度評価指標
  4.1.3 ランキング指標
4.2 オンラインバケットテスト
  4.2.1 バケットの構築
  4.2.2 オンラインパフォーマンス指標
  4.2.3 テスト結果の解析
4.3 オフラインシミュレーション
4.4 オフラインリプレイ
  4.4.1 基本的なリプレイ推定量
  4.4.2 リプレイの拡張
4.5 まとめ
4.6 演習


第II部 一般的な問題設定

第5章 問題設定とシステム構成
5.1 問題設定
  5.1.1 一般的な推薦モジュール
  5.1.2 アプリケーション設定
  5.1.3 一般的な統計手法
5.2 システム構成
  5.2.1 主要な構成要素
  5.2.2 システムの例

第6章 Most-Popular推薦
6.1 アプリケーション例:Yahoo!Todayモジュール
6.2 問題定義
6.3 ベイズ的手法
  6.3.1 2×2問題:2つのアイテム,2つの時点
  6.3.2 K×2問題:K個のアイテム,2つの時点
  6.3.3 一般解
6.4 非ベイズ的手法
6.5 実証的評価
  6.5.1 比較分析
  6.5.2 各戦略の特徴
  6.5.3 セグメンテーション分析
  6.5.4 バケットテストの結果
6.6 巨大なコンテンツプール
6.7 まとめ
6.8 演習

第7章 素性ベクトルベースの回帰による個別化
7.1 高速オンライン双線形因子モデル(FOBFM)
  7.1.1 概要
  7.1.2 モデルの詳細
7.2 オフライン学習
  7.2.1 EMアルゴリズム
  7.2.2 Eステップ
  7.2.3 Mステップ
  7.2.4 スケーラビリティ
7.3 オンライン学習
  7.3.1 ガウシアンオンラインモデル
  7.3.2 ロジスティックオンラインモデル
  7.3.3 探索-活用戦略
  7.3.4 オンラインモデル選択
7.4 Yahoo!データセットの実例
  7.4.1 My Yahoo!データセット
  7.4.2 Yahoo!フロントページデータセット
  7.4.3 オフライン双線形項なしのFOBFM
7.5 まとめ
7.6 演習

第8章 因子モデルによる個別化
8.1 回帰ベース潜在因子モデル(RLFM) 
  8.1.1 行列分解からRLFM
  8.1.2 モデルの詳細
  8.1.3 RLFMの確率過程
8.2 学習アルゴリズム
  8.2.1 ガウス応答のためのEMアルゴリズム
  8.2.2 ロジスティック応答のためのARSベースEMアルゴリズム
  8.2.3 ロジスティック応答のための変分EMアルゴリズム
8.3 コールドスタートの実例
8.4 時間依存するアイテムの大規模な推薦
  8.4.1 オンライン学習
  8.4.2 並列学習アルゴリズム
8.5 大規模問題の実例
  8.5.1 MovieLens-1Mデータ
  8.5.2 小規模なYahoo!フロントページデータ
  8.5.3 大規模なYahoo!フロントページデータ
  8.5.4 結果
8.6 まとめ
8.7 演習


第III部 高度な話題

第9章 潜在ディリクレ分配による因子分解
9.1 はじめに
9.2 モデル
  9.2.1 概要
  9.2.2 モデルの詳細
9.3 学習と予測
  9.3.1 モデルの当てはめ
  9.3.2 予測
9.4 実験
  9.4.1 MovieLensデータ
  9.4.2 Yahoo! Buzzへの適用
  9.4.3 BookCrossingデータセット
9.5 関連研究
9.6 まとめ

第10章 コンテキスト依存推薦
10.1 テンソル分解モデル
  10.1.1 モデル
  10.1.2 モデルの当てはめ
  10.1.3 考察
10.2 階層的縮小
  10.2.1 モデル
  10.2.2 モデルの当てはめ
  10.2.3 局所拡張テンソルモデル
10.3 多面的なニュース記事推薦
  10.3.1 探索的データ分析
  10.3.2 実証的評価
10.4 関連アイテム推薦
  10.4.1 意味的な関連性
  10.4.2 応答予測
  10.4.3 予測応答と関係性の統合
10.5 まとめ

第11章 多目的最適化
11.1 アプリケーション設定
11.2 セグメントアプローチ
  11.2.1 問題設定
  11.2.2 目的関数の最適化
11.3 個別化アプローチ
  11.3.1 主問題による定式化
  11.3.2 ラグランジュ双対性
11.4 近似手法
  11.4.1 クラスタリング
  11.4.2 サンプリング
11.5 実験
  11.5.1 実験設定
  11.5.2 結果
11.6 関連研究
11.7 まとめ

参考文献
索  引