協調フィルタリングとは？仕組み・3つのステップ・課題をわかりやすく解説

協調フィルタリングとは

協調フィルタリング（Collaborative Filtering）は、メモリベース推論の一種であり、パーソナライズされたレコメンデーションを支援する用途に特に適した手法です。協調フィルタリングシステムは、ユーザーの嗜好に関する履歴データを出発点とします。距離関数は嗜好の重なり具合に基づいて類似度を判定し、「同じものを好きなユーザー同士は互いに近い存在である」とみなします。

さらに、評価（投票）は距離によって重み付けされるため、自分に近い類似ユーザーの評価ほど、推薦結果に大きな影響力を持ちます。言い換えれば、同じ嗜好を持つ仲間集団（ピアグループ）の判断を活用することで、特定のユーザーの現在の好みに合う音楽、書籍、ワインなどを発見するアプローチだといえます。この手法は「ソーシャル情報フィルタリング」とも呼ばれています。

協調フィルタリングは、口コミによる評判をもとに「自分がその商品やコンテンツを好きになるかどうか」を判断するプロセスを自動化する技術です。ただし、単に「多くの人が気に入った」という情報だけでは不十分です。人は誰でも、ある推薦を他の推薦よりも強く信頼します。過去の推薦が的確だった親しい友人のおすすめなら、普段あまり好まないジャンルの新作映画であっても、足を運ぶきっかけになることがあるでしょう。

レコメンデーション生成の3つのステップ

自動化された協調フィルタリングシステムで新規ユーザー向けのレコメンデーションを作成する際は、一般的に以下の3つのステップが踏まれます。

• ユーザープロファイルの構築： 新規顧客に映画、楽曲、レストランなどのアイテムを選ばせて評価してもらい、そのユーザーの嗜好プロファイルを作成します。
• プロファイルの比較： 何らかの類似度の尺度を用いて、新規ユーザーのプロファイルを既存ユーザーのプロファイルと比較します。
• 評価の予測： 類似したプロファイルを持つユーザー群の評価を組み合わせることで、新規ユーザーがまだ評価していないアイテムに対する評価値を予測します。

協調フィルタリングの課題：スパースなプロファイル

協調フィルタリングには一つの大きな課題があります。それは、評価対象のアイテム数が、一人のユーザーが実際に経験したり、進んで評価したりできる数をはるかに上回るという点です。そのため、プロファイルは一般に「スパース（疎）」な状態になり、レコメンデーションの作成に必要なユーザー間の嗜好の重なりが非常に少なくなってしまいます。

ここで、ユーザープロファイルを「評価対象の全アイテムごとに1つの成分を持つベクトル」として考えてみましょう。ベクトルの各要素は、対応するアイテムに対するプロファイル所有者の評価を表し、−5から5までのスケールで記録されます。0は中立の評価、空欄は無回答（意見なし）を意味します。

ベクトルに数千もの成分があり、しかも各ユーザーが「どのアイテムを評価するか」を自由に選べる場合、任意の2人のユーザーのプロファイルが重なる部分はごくわずかにしか残りません。逆に、ユーザーに特定のアイテム群だけを評価させるよう強制すれば、プロファイルの密度は上がります。しかし、ニッチなアイテムの評価の方が、一般的なアイテムの評価よりもそのユーザーの個性を雄弁に物語るケースも多いため、貴重なデータを見逃すリスクが生じます。このように、スパース性とのバランスをどう取るかが、協調フィルタリング設計における重要なポイントとなります。