レコメンダーシステムのデータマイニング方法は何ですか？

レコメンダーシステムは、コンテンツベースのアプローチ、コラボレーションアプローチ、またはコンテンツベースとコラボレーションの両方の方法を組み合わせたハイブリッドアプローチを使用できます。

コンテンツベース −コンテンツベースのアプローチでは、顧客が以前に好んだまたは照会したアイテムと同じアイテムを推奨します。製品の機能とテキストによるアイテムの定義によって異なります。

コンテンツベースの方法では、類似したユーザーが同じである異なるアイテムに割り当てたユーティリティに基づいて計算されます。多くのシステムは、Webサイト、記事、ニュースメッセージなどのテキストデータを含むアイテムの推奨を対象としています。彼らはアイテム間の共通点を探します。映画の場合、同じジャンル、監督、俳優を見ることができます。

記事については、同じ用語で表示できます。コンテンツベースのアプローチは、データ理論に根ざしています。彼らは、キーワード（アイテムを定義する）とユーザーの好みや要件に関するデータを含む顧客プロファイルの使用を作成します。このようなプロファイルは、明示的に取得することも、時間の経過に伴う顧客のトランザクション行動から理解することもできます。

コラボレーション −コラボレーションアプローチでは、ユーザーの社会的環境を考慮することができます。ユーザーと同じ趣味や好みを持つさまざまな顧客の意見に応じてアイテムを推奨します。

レコメンダーシステムには、情報検索、統計、機械学習、データマイニングから、アイテムとユーザー設定の類似点を検索するまでの幅広い方法が必要です。

レコメンダーシステムの利点は、eコマースのユーザー向けのパーソナライズ、開発的な1対1のマーケティングをサポートすることです。共同レコメンダーシステムを必要とするパイオニアであるAmazonは、マーケティング戦略の要素として「顧客ごとにパーソナライズされたストア」を提供しています。

パーソナライズは、ユーザーと含まれる会社の両方に利益をもたらす可能性があります。ユーザーのより効率的なモデルを受け取ることで、企業はユーザーのニーズをよりよく理解できます。これらのニーズに応えることで、関連製品のクロスセリング、アップセル、製品の親和性、1対1のプロモーション、より高いバスケット、およびユーザー維持に関してより高い成功を収めることができます。

協調的レコメンダーシステムは、ユーザーuのアイテムの効用を予測しようとしますが、これは、uと同じであるさまざまなユーザーによって以前に評価されたアイテムに依存します。たとえば、本を推薦するとき、共同推薦システムは、uに同意した履歴を持つ複数のユーザーを見つけようとします。コラボレーティブレコメンダーシステムは、メモリ（またはヒューリスティック）ベースまたはモデルベースにすることができます。

メモリベースの方法では、ヒューリスティックを使用して、ユーザーが以前に評価したアイテムのセット全体に基づいて評価予測を作成します。アイテムとユーザーの組み合わせの匿名の評価は、類似したアイテムに対する同じユーザーの評価の集計として計算できます。