Soumettre la recherche
Mettre en ligne
AbemaTVにおける推薦システム
•
2 j'aime
•
2,542 vues
cyberagent
Suivre
SENDAI X-TECH Innovation Project 2018-2019 「AbemaTVにおける推薦システム」の発表スライドです。
Lire moins
Lire la suite
Ingénierie
Signaler
Partager
Signaler
Partager
1 sur 43
Télécharger maintenant
Télécharger pour lire hors ligne
Recommandé
協調フィルタリング入門
協調フィルタリング入門
hoxo_m
レコメンドアルゴリズムの基本と周辺知識と実装方法
レコメンドアルゴリズムの基本と周辺知識と実装方法
Takeshi Mikami
推薦アルゴリズムの今までとこれから
推薦アルゴリズムの今までとこれから
cyberagent
差分プライバシーとは何か? (定義 & 解釈編)
差分プライバシーとは何か? (定義 & 解釈編)
Kentaro Minami
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
mlm_kansai
協調フィルタリングを利用した推薦システム構築
協調フィルタリングを利用した推薦システム構築
Masayuki Ota
機械学習品質管理・保証の動向と取り組み
機械学習品質管理・保証の動向と取り組み
Shintaro Fukushima
ChatGPTは思ったほど賢くない
ChatGPTは思ったほど賢くない
Carnot Inc.
Recommandé
協調フィルタリング入門
協調フィルタリング入門
hoxo_m
レコメンドアルゴリズムの基本と周辺知識と実装方法
レコメンドアルゴリズムの基本と周辺知識と実装方法
Takeshi Mikami
推薦アルゴリズムの今までとこれから
推薦アルゴリズムの今までとこれから
cyberagent
差分プライバシーとは何か? (定義 & 解釈編)
差分プライバシーとは何か? (定義 & 解釈編)
Kentaro Minami
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
最近のKaggleに学ぶテーブルデータの特徴量エンジニアリング
mlm_kansai
協調フィルタリングを利用した推薦システム構築
協調フィルタリングを利用した推薦システム構築
Masayuki Ota
機械学習品質管理・保証の動向と取り組み
機械学習品質管理・保証の動向と取り組み
Shintaro Fukushima
ChatGPTは思ったほど賢くない
ChatGPTは思ったほど賢くない
Carnot Inc.
XAI (説明可能なAI) の必要性
XAI (説明可能なAI) の必要性
西岡 賢一郎
情報推薦システム入門:講義スライド
情報推薦システム入門:講義スライド
Kenta Oku
研究効率化Tips Ver.2
研究効率化Tips Ver.2
cvpaper. challenge
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
Shota Imai
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
西岡 賢一郎
チャットコミュニケーションの問題と心理的安全性の課題 #EOF2019
チャットコミュニケーションの問題と心理的安全性の課題 #EOF2019
Tokoroten Nakayama
バンディットアルゴリズム入門と実践
バンディットアルゴリズム入門と実践
智之 村上
エンジニアも知っておきたいAI倫理のはなし
エンジニアも知っておきたいAI倫理のはなし
Yasunori Nihei
ブレインパッドにおける機械学習プロジェクトの進め方
ブレインパッドにおける機械学習プロジェクトの進め方
BrainPad Inc.
マッチングサービスにおけるKPIの話
マッチングサービスにおけるKPIの話
cyberagent
深層学習による自然言語処理入門: word2vecからBERT, GPT-3まで
深層学習による自然言語処理入門: word2vecからBERT, GPT-3まで
Yahoo!デベロッパーネットワーク
Data-Centric AIの紹介
Data-Centric AIの紹介
Kazuyuki Miyazawa
工学系大学4年生のための論文の読み方
工学系大学4年生のための論文の読み方
ychtanaka
CV分野におけるサーベイ方法
CV分野におけるサーベイ方法
Hirokatsu Kataoka
【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Models
cvpaper. challenge
東北大学 先端技術の基礎と実践_深層学習による画像認識とデータの話_菊池悠太
東北大学 先端技術の基礎と実践_深層学習による画像認識とデータの話_菊池悠太
Preferred Networks
数学カフェ 確率・統計・機械学習回 「速習 確率・統計」
数学カフェ 確率・統計・機械学習回 「速習 確率・統計」
Ken'ichi Matsui
研究分野をサーベイする
研究分野をサーベイする
Takayuki Itoh
Devsumi 2018summer
Devsumi 2018summer
Harada Kei
IT系エンジニアのためのプレゼンテーション入門
IT系エンジニアのためのプレゼンテーション入門
Masahito Zembutsu
20131107 cwt2013-wdkz
20131107 cwt2013-wdkz
cyberagent
4.5G/5G環境でのECサイトの高速化 ― 変わるモバイル購買体験
4.5G/5G環境でのECサイトの高速化 ― 変わるモバイル購買体験
Yoichiro Takehora
Contenu connexe
Tendances
XAI (説明可能なAI) の必要性
XAI (説明可能なAI) の必要性
西岡 賢一郎
情報推薦システム入門:講義スライド
情報推薦システム入門:講義スライド
Kenta Oku
研究効率化Tips Ver.2
研究効率化Tips Ver.2
cvpaper. challenge
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
Shota Imai
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
西岡 賢一郎
チャットコミュニケーションの問題と心理的安全性の課題 #EOF2019
チャットコミュニケーションの問題と心理的安全性の課題 #EOF2019
Tokoroten Nakayama
バンディットアルゴリズム入門と実践
バンディットアルゴリズム入門と実践
智之 村上
エンジニアも知っておきたいAI倫理のはなし
エンジニアも知っておきたいAI倫理のはなし
Yasunori Nihei
ブレインパッドにおける機械学習プロジェクトの進め方
ブレインパッドにおける機械学習プロジェクトの進め方
BrainPad Inc.
マッチングサービスにおけるKPIの話
マッチングサービスにおけるKPIの話
cyberagent
深層学習による自然言語処理入門: word2vecからBERT, GPT-3まで
深層学習による自然言語処理入門: word2vecからBERT, GPT-3まで
Yahoo!デベロッパーネットワーク
Data-Centric AIの紹介
Data-Centric AIの紹介
Kazuyuki Miyazawa
工学系大学4年生のための論文の読み方
工学系大学4年生のための論文の読み方
ychtanaka
CV分野におけるサーベイ方法
CV分野におけるサーベイ方法
Hirokatsu Kataoka
【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Models
cvpaper. challenge
東北大学 先端技術の基礎と実践_深層学習による画像認識とデータの話_菊池悠太
東北大学 先端技術の基礎と実践_深層学習による画像認識とデータの話_菊池悠太
Preferred Networks
数学カフェ 確率・統計・機械学習回 「速習 確率・統計」
数学カフェ 確率・統計・機械学習回 「速習 確率・統計」
Ken'ichi Matsui
研究分野をサーベイする
研究分野をサーベイする
Takayuki Itoh
Devsumi 2018summer
Devsumi 2018summer
Harada Kei
IT系エンジニアのためのプレゼンテーション入門
IT系エンジニアのためのプレゼンテーション入門
Masahito Zembutsu
Tendances
(20)
XAI (説明可能なAI) の必要性
XAI (説明可能なAI) の必要性
情報推薦システム入門:講義スライド
情報推薦システム入門:講義スライド
研究効率化Tips Ver.2
研究効率化Tips Ver.2
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
強化学習の基礎と深層強化学習(東京大学 松尾研究室 深層強化学習サマースクール講義資料)
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
ブラックボックスからXAI (説明可能なAI) へ - LIME (Local Interpretable Model-agnostic Explanat...
チャットコミュニケーションの問題と心理的安全性の課題 #EOF2019
チャットコミュニケーションの問題と心理的安全性の課題 #EOF2019
バンディットアルゴリズム入門と実践
バンディットアルゴリズム入門と実践
エンジニアも知っておきたいAI倫理のはなし
エンジニアも知っておきたいAI倫理のはなし
ブレインパッドにおける機械学習プロジェクトの進め方
ブレインパッドにおける機械学習プロジェクトの進め方
マッチングサービスにおけるKPIの話
マッチングサービスにおけるKPIの話
深層学習による自然言語処理入門: word2vecからBERT, GPT-3まで
深層学習による自然言語処理入門: word2vecからBERT, GPT-3まで
Data-Centric AIの紹介
Data-Centric AIの紹介
工学系大学4年生のための論文の読み方
工学系大学4年生のための論文の読み方
CV分野におけるサーベイ方法
CV分野におけるサーベイ方法
【メタサーベイ】基盤モデル / Foundation Models
【メタサーベイ】基盤モデル / Foundation Models
東北大学 先端技術の基礎と実践_深層学習による画像認識とデータの話_菊池悠太
東北大学 先端技術の基礎と実践_深層学習による画像認識とデータの話_菊池悠太
数学カフェ 確率・統計・機械学習回 「速習 確率・統計」
数学カフェ 確率・統計・機械学習回 「速習 確率・統計」
研究分野をサーベイする
研究分野をサーベイする
Devsumi 2018summer
Devsumi 2018summer
IT系エンジニアのためのプレゼンテーション入門
IT系エンジニアのためのプレゼンテーション入門
Similaire à AbemaTVにおける推薦システム
20131107 cwt2013-wdkz
20131107 cwt2013-wdkz
cyberagent
4.5G/5G環境でのECサイトの高速化 ― 変わるモバイル購買体験
4.5G/5G環境でのECサイトの高速化 ― 変わるモバイル購買体験
Yoichiro Takehora
番組宣伝に関するAbemaTV分析事例の紹介
番組宣伝に関するAbemaTV分析事例の紹介
cyberagent
ISACAってなんですか?
ISACAってなんですか?
Noriyuki Yamaguchi
さくらインターネットベアメタル自動化への挑戦
さくらインターネットベアメタル自動化への挑戦
Hiroki Ito
AI & Deep Learning on AWS at CTO Night&Day 2016 Winter
AI & Deep Learning on AWS at CTO Night&Day 2016 Winter
Yasuhiro Matsuo
大規模システムScrum実践 効果と課題 #rsgt2015
大規模システムScrum実践 効果と課題 #rsgt2015
Yahoo!デベロッパーネットワーク
IoTゴミ箱作って運用してみた.pptx
IoTゴミ箱作って運用してみた.pptx
Yasuhira Chiba
さくらとエンジニアの幸せな未来を実現するための組織づくり(Developers Summit 2016 KANSAI)
さくらとエンジニアの幸せな未来を実現するための組織づくり(Developers Summit 2016 KANSAI)
さくらインターネット株式会社
Mulesoft meetup #02 Anypointで日本のクラウドサービスを繋いでみた!
Mulesoft meetup #02 Anypointで日本のクラウドサービスを繋いでみた!
Kazuya Sugimoto
JAWS-UG 注目支部ご紹介
JAWS-UG 注目支部ご紹介
Shigeru Numaguchi
Datawatch Monarch for Ibm Analyticsのご紹介
Datawatch Monarch for Ibm Analyticsのご紹介
IBM Analytics Japan
モノタロウがトレジャーデータを使う理由と、データを活かす企業文化
モノタロウがトレジャーデータを使う理由と、データを活かす企業文化
株式会社MonotaRO Tech Team
AmebaソーシャルゲームにおけるR活用の体制と事例のご紹介
AmebaソーシャルゲームにおけるR活用の体制と事例のご紹介
cyberagent
MLOps Yearning ~ 実運用システムを構築する前にデータサイエンティストが考えておきたいこと
MLOps Yearning ~ 実運用システムを構築する前にデータサイエンティストが考えておきたいこと
Rakuten Group, Inc.
売上に効くデータ組織~データから売上や利益を作るために何をしているか~
売上に効くデータ組織~データから売上や利益を作るために何をしているか~
Recruit Lifestyle Co., Ltd.
先入観とバイアスを考慮したWebサイトパフォーマンス改善
先入観とバイアスを考慮したWebサイトパフォーマンス改善
Yoichiro Takehora
Rakuten + Mesos/Marathon (@Mesos User Group Tokyo #4)
Rakuten + Mesos/Marathon (@Mesos User Group Tokyo #4)
Rakuten Group, Inc.
kintone devCamp Vol.10 ルックアップのことだけ、考えた。
kintone devCamp Vol.10 ルックアップのことだけ、考えた。
kintone papers
イマドキの改善!データ分析SDK導入のポイントとAI活用最新事例 / GTMF2019
イマドキの改善!データ分析SDK導入のポイントとAI活用最新事例 / GTMF2019
Game Tools & Middleware Forum
Similaire à AbemaTVにおける推薦システム
(20)
20131107 cwt2013-wdkz
20131107 cwt2013-wdkz
4.5G/5G環境でのECサイトの高速化 ― 変わるモバイル購買体験
4.5G/5G環境でのECサイトの高速化 ― 変わるモバイル購買体験
番組宣伝に関するAbemaTV分析事例の紹介
番組宣伝に関するAbemaTV分析事例の紹介
ISACAってなんですか?
ISACAってなんですか?
さくらインターネットベアメタル自動化への挑戦
さくらインターネットベアメタル自動化への挑戦
AI & Deep Learning on AWS at CTO Night&Day 2016 Winter
AI & Deep Learning on AWS at CTO Night&Day 2016 Winter
大規模システムScrum実践 効果と課題 #rsgt2015
大規模システムScrum実践 効果と課題 #rsgt2015
IoTゴミ箱作って運用してみた.pptx
IoTゴミ箱作って運用してみた.pptx
さくらとエンジニアの幸せな未来を実現するための組織づくり(Developers Summit 2016 KANSAI)
さくらとエンジニアの幸せな未来を実現するための組織づくり(Developers Summit 2016 KANSAI)
Mulesoft meetup #02 Anypointで日本のクラウドサービスを繋いでみた!
Mulesoft meetup #02 Anypointで日本のクラウドサービスを繋いでみた!
JAWS-UG 注目支部ご紹介
JAWS-UG 注目支部ご紹介
Datawatch Monarch for Ibm Analyticsのご紹介
Datawatch Monarch for Ibm Analyticsのご紹介
モノタロウがトレジャーデータを使う理由と、データを活かす企業文化
モノタロウがトレジャーデータを使う理由と、データを活かす企業文化
AmebaソーシャルゲームにおけるR活用の体制と事例のご紹介
AmebaソーシャルゲームにおけるR活用の体制と事例のご紹介
MLOps Yearning ~ 実運用システムを構築する前にデータサイエンティストが考えておきたいこと
MLOps Yearning ~ 実運用システムを構築する前にデータサイエンティストが考えておきたいこと
売上に効くデータ組織~データから売上や利益を作るために何をしているか~
売上に効くデータ組織~データから売上や利益を作るために何をしているか~
先入観とバイアスを考慮したWebサイトパフォーマンス改善
先入観とバイアスを考慮したWebサイトパフォーマンス改善
Rakuten + Mesos/Marathon (@Mesos User Group Tokyo #4)
Rakuten + Mesos/Marathon (@Mesos User Group Tokyo #4)
kintone devCamp Vol.10 ルックアップのことだけ、考えた。
kintone devCamp Vol.10 ルックアップのことだけ、考えた。
イマドキの改善!データ分析SDK導入のポイントとAI活用最新事例 / GTMF2019
イマドキの改善!データ分析SDK導入のポイントとAI活用最新事例 / GTMF2019
Plus de cyberagent
WWW2019で見るモバイルコンピューティングの技術と動向 山本悠ニ
WWW2019で見るモバイルコンピューティングの技術と動向 山本悠ニ
cyberagent
Web フィルタリング最前線: 「「検閲回避」回避」 角田孝昭
Web フィルタリング最前線: 「「検閲回避」回避」 角田孝昭
cyberagent
WebにおけるHuman Dynamics 武内慎
WebにおけるHuman Dynamics 武内慎
cyberagent
Webと経済学 數見拓朗
Webと経済学 數見拓朗
cyberagent
Data Engineering Meetup #1 持続可能なデータ基盤のためのデータの多様性に対する取り組み
Data Engineering Meetup #1 持続可能なデータ基盤のためのデータの多様性に対する取り組み
cyberagent
継続的な開発スタイル AbemaTVのiOSアプリを週1でリリースしている話
継続的な開発スタイル AbemaTVのiOSアプリを週1でリリースしている話
cyberagent
AbemaTV レコメンド開発エンジニアによる RecSys 2018 参加レポート
AbemaTV レコメンド開発エンジニアによる RecSys 2018 参加レポート
cyberagent
機械学習エンジニアを見せたAWSの再:発明とは? 〜re:Invent 2018 参加レポート〜
機械学習エンジニアを見せたAWSの再:発明とは? 〜re:Invent 2018 参加レポート〜
cyberagent
インターネットテレビ局「AbemaTV」プロダクトの変遷
インターネットテレビ局「AbemaTV」プロダクトの変遷
cyberagent
WWW2018 論文読み会 Webと経済学
WWW2018 論文読み会 Webと経済学
cyberagent
WWW2018 論文読み会 WebにおけるHuman Dynamics
WWW2018 論文読み会 WebにおけるHuman Dynamics
cyberagent
WWW2018 論文読み会 Web Search and Mining
WWW2018 論文読み会 Web Search and Mining
cyberagent
サイバーエージェントの機械学習エンジニアが体験したGoogle I/O 2018
サイバーエージェントの機械学習エンジニアが体験したGoogle I/O 2018
cyberagent
ログ解析基盤におけるストリーム処理パイプラインについて
ログ解析基盤におけるストリーム処理パイプラインについて
cyberagent
Orion an integrated multimedia content moderation system for web services
Orion an integrated multimedia content moderation system for web services
cyberagent
Orion an integrated multimedia content moderation system for web services
Orion an integrated multimedia content moderation system for web services
cyberagent
「これ危ない設定じゃないでしょうか」とヒアリングするための仕組み @AWS Summit Tokyo 2018
「これ危ない設定じゃないでしょうか」とヒアリングするための仕組み @AWS Summit Tokyo 2018
cyberagent
"マルチメディア機械学習" の取り組み
"マルチメディア機械学習" の取り組み
cyberagent
サイバージェント 秋葉原ラボのHBase 活用事例
サイバージェント 秋葉原ラボのHBase 活用事例
cyberagent
Presto on YARNの導入・運用
Presto on YARNの導入・運用
cyberagent
Plus de cyberagent
(20)
WWW2019で見るモバイルコンピューティングの技術と動向 山本悠ニ
WWW2019で見るモバイルコンピューティングの技術と動向 山本悠ニ
Web フィルタリング最前線: 「「検閲回避」回避」 角田孝昭
Web フィルタリング最前線: 「「検閲回避」回避」 角田孝昭
WebにおけるHuman Dynamics 武内慎
WebにおけるHuman Dynamics 武内慎
Webと経済学 數見拓朗
Webと経済学 數見拓朗
Data Engineering Meetup #1 持続可能なデータ基盤のためのデータの多様性に対する取り組み
Data Engineering Meetup #1 持続可能なデータ基盤のためのデータの多様性に対する取り組み
継続的な開発スタイル AbemaTVのiOSアプリを週1でリリースしている話
継続的な開発スタイル AbemaTVのiOSアプリを週1でリリースしている話
AbemaTV レコメンド開発エンジニアによる RecSys 2018 参加レポート
AbemaTV レコメンド開発エンジニアによる RecSys 2018 参加レポート
機械学習エンジニアを見せたAWSの再:発明とは? 〜re:Invent 2018 参加レポート〜
機械学習エンジニアを見せたAWSの再:発明とは? 〜re:Invent 2018 参加レポート〜
インターネットテレビ局「AbemaTV」プロダクトの変遷
インターネットテレビ局「AbemaTV」プロダクトの変遷
WWW2018 論文読み会 Webと経済学
WWW2018 論文読み会 Webと経済学
WWW2018 論文読み会 WebにおけるHuman Dynamics
WWW2018 論文読み会 WebにおけるHuman Dynamics
WWW2018 論文読み会 Web Search and Mining
WWW2018 論文読み会 Web Search and Mining
サイバーエージェントの機械学習エンジニアが体験したGoogle I/O 2018
サイバーエージェントの機械学習エンジニアが体験したGoogle I/O 2018
ログ解析基盤におけるストリーム処理パイプラインについて
ログ解析基盤におけるストリーム処理パイプラインについて
Orion an integrated multimedia content moderation system for web services
Orion an integrated multimedia content moderation system for web services
Orion an integrated multimedia content moderation system for web services
Orion an integrated multimedia content moderation system for web services
「これ危ない設定じゃないでしょうか」とヒアリングするための仕組み @AWS Summit Tokyo 2018
「これ危ない設定じゃないでしょうか」とヒアリングするための仕組み @AWS Summit Tokyo 2018
"マルチメディア機械学習" の取り組み
"マルチメディア機械学習" の取り組み
サイバージェント 秋葉原ラボのHBase 活用事例
サイバージェント 秋葉原ラボのHBase 活用事例
Presto on YARNの導入・運用
Presto on YARNの導入・運用
AbemaTVにおける推薦システム
1.
AbemaTV における 推薦システム 2018/12/16 株式会社サイバーエージェント 秋葉原ラボ 福田
鉄也
2.
自己紹介 •福田 鉄也 (ふくだ
てつや) •2016 年 6 月サイバーエージェント中途入社 •秋葉原ラボで推薦システムの開発と運用 2
3.
サイバーエージェントと秋葉原ラボ •サイバーエージェント •メディア / インターネット広告
/ ゲーム / スタートアップ •秋葉原ラボ: メディア事業部門の研究開発組織 •サービスから生成される大規模データの収集, 蓄積, 処理基盤 •分析, 機械学習等によるデータの活用 …… AbemaTV Ameba AWA タップル誕生 3
4.
AbemaTV における 推薦システム
5.
目次 •AbemaTV と推薦システム •アルゴリズム /
システム構成 •メディアサービスの推薦基盤 •まとめと今後の展望 5
6.
目次 •AbemaTV と推薦システム •アルゴリズム /
システム構成 •メディアサービスの推薦基盤 •まとめと今後の展望 6
7.
AbemaTV •サイバーエージェントとテレビ朝日が共同で展開 •「インターネットテレビ局」 7 多チャンネル展開 / 24
時間 365 日編成型コンテンツ
8.
Abemaビデオ •SVOD (Subscription Video
on Demand) 型のサービス •放送枠に依存せず 1 話から視聴できる •一部の番組は無料で視聴可能 8
9.
AbemaTV における推薦 •2 種類: •こちらもオススメ:
番組 → 番組の推薦 •番組ページ等に表示 •視聴履歴からのおすすめ: ユーザ → 番組の推薦 •ビデオトップページ等に表示 •推薦対象はいずれも「Abemaビデオ」の番組 9
10.
目次 •AbemaTV と推薦システム •アルゴリズム /
システム構成 •メディアサービスの推薦基盤 •まとめと今後の展望 10
11.
目的 •推薦結果の「精度」は重要 •一方で, オンラインの処理時間には制限がある •大量の数値計算等は避けたい 11
12.
アプローチ: 2 段階の処理 •粗いアルゴリズムによる候補選択:
計算時間削減 •すべての番組から推薦候補を絞る •候補のリランキング※ : 精度の向上 •候補から最終的な上位の推薦結果を得る 12 ※ 「こちらもオススメ」のみ対応中
13.
アプローチ: 2 段階の処理 13 •粗いアルゴリズムによる候補選択:
計算時間削減 •すべての番組から推薦候補を絞る •候補のリランキング: 精度の向上 •候補から最終的な上位の推薦結果を得る
14.
候補選択: 目的 •全番組から高速に推薦候補を選択したい •全ユーザへの事前計算は避けたい •効率的でない •ユーザの行動に対する更新性は保ちたい 14
15.
候補選択: アプローチ •オフラインとオンラインの 2
ステップの処理 •オフライン: 類似番組の事前計算 •オンライン: ユーザの直近の行動に応じた集約 15
16.
実装: 類似番組の事前計算 (1/2) Client Patriot 16 行動ログ Recommendation
job ユーザの行動ログを Patriot (データ解析基盤) に転送
17.
実装: 類似番組の事前計算 (2/2) Client Patriot 17 ある番組に対する類似番組の上位を バッチで計算して
DB に書き出し (次元削減 + コサイン類似度で探索) DB (HBase) Recommendation job
18.
実装: 「こちらもオススメ」の場合 Client Recommendation
API Patriot 18 「こちらもオススメ」の場合は この結果をそのまま候補として利用 DB (HBase) Recommendation job
19.
Zero Client Recommendation API Patriot Stream 19 DB
(HBase) 実装: 「視聴履歴からのおすすめ」の場合 (1/3) ユーザの行動ログ (視聴履歴等) を Zero (ストリーム処理基盤) に転送, ニアリアルタイムで保存, 更新 Recommendation job
20.
実装: 「視聴履歴からのおすすめ」の場合 (2/3) Zero Client
Recommendation API Patriot 20 DB (HBase) リクエストしたユーザの 直近の行動ログを取得 Recommendation job
21.
実装: 「視聴履歴からのおすすめ」の場合 (3/3) Zero Client
Recommendation API Patriot 21 DB (HBase) 行動ログに類似した番組を DB から batch get, 集約して 候補として利用する Recommendation job
22.
アプローチ: 2 段階の処理 22 •粗いアルゴリズムによる候補選択:
計算時間削減 •すべての番組から推薦候補を絞る •候補のリランキング: 精度の向上 •候補から最終的な上位の推薦結果を得る
23.
リランキング: 目的 •候補から, より「良い」数件の結果を得たい 23
24.
リランキング: アプローチ •推薦対象の番組を, ユーザが一定時間以上視聴するかの 二値分類 •予測確率をスコアとして候補番組を並べ替え •そのときユーザが見そうな番組を推薦する •スコアが上位のもののみを最終的な推薦結果とする 24
25.
Recommendation job 実装: 概要 Zero Client
Recommendation API Patriot Ranking Service 25 DB (HBase) リランキング用のコンポーネントに 推薦候補のスコアリングをリクエスト
26.
実装: モデルの学習 Learner Model Server Patriot Ranking
Service 26 ユーザの行動ログ, マスタ情報等から オフラインでモデルを学習して, モデル配信サーバにデプロイ
27.
Learner Model Server Ranking API Patriot Recommendation
API Feature DB Ranking Service 27 実装: 予測 (1/2) Recommendation API からの リクエスト時に DB から素性を取得, モデル配信サーバに予測リクエスト
28.
Learner Model Server Ranking API Patriot Recommendation
API Feature DB Ranking Service 28 実装: 予測 (2/2) 予測スコア順に結果を 並べ替えて, 上位を クライアントに返却
29.
目次 •AbemaTV と推薦システム •アルゴリズム /
システム構成 •メディアサービスの推薦基盤 •まとめと今後の展望 29
30.
メディアサービスの推薦基盤 •秋葉原ラボでは, 複数のメディアサービス向けに共通の 推薦基盤を開発, 運用している •今回はバッチ処理部分の共通化のために開発している フレームワークについて紹介 30
31.
AbemaTV とバッチフレームワーク Zero Client Recommendation
API Patriot 31 DB (HBase) Recommendation job AbemaTV の推薦システムでは, 「候補選択」の部分のバッチ処理が このフレームワーク上で実装されている
32.
バッチフレームワーク: 背景と目的 (1/2) •推薦システムのバッチ処理には定型的な部分が多い •学習データの取得,
整形 •モデルの学習, 推薦結果の生成 •推薦結果のデータストアへの書き出し •(+ サービス固有の処理) •各サービスへの推薦システムの導入コストを削減したい 32
33.
•単一のサービスであっても: •推薦したいコンテンツが複数種類あれば, 同様の問題になる •単一のサービス, 一種類のコンテンツであっても: •複数のデータセットやアルゴリズムを,
手軽に試したい 33 バッチフレームワーク: 背景と目的 (2/2)
34.
実装の構成要素 •ジョブ: バッチの一連の処理をまとめたもの •バッチはこの単位で実行される •推薦ジョブ, モデルのオフライン評価ジョブ,
…… •タスク: ジョブを構成する処理の単位 •データの読み込み, モデルの学習, 推薦結果の書き出し, …… 34
35.
例. 推薦ジョブ 35 Reader Processor ServiceProcessor Recommender
Writer …… …… ItemRecommenderJob Hive HDFS Swift HBase HDFS
36.
例. 推薦ジョブ: Reader
タスク 36 Reader Processor ServiceProcessor Recommender Writer …… …… ItemRecommenderJob Hive HDFS Swift HBase HDFS ユーザの行動ログなど, 必要なデータの読み込み
37.
例. 推薦ジョブ: Processor
タスク 37 Reader Processor ServiceProcessor Recommender Writer …… …… ItemRecommenderJob Hive HDFS Swift HBase HDFS 読み込んだデータへの前処理
38.
例. 推薦ジョブ: Recommender
タスク 38 Reader Processor ServiceProcessor Recommender Writer …… …… ItemRecommenderJob Hive HDFS Swift HBase HDFS モデルの学習, 推薦結果の生成
39.
例. 推薦ジョブ: ServiceProcessor
タスク 39 Reader Processor ServiceProcessor Recommender Writer …… …… ItemRecommenderJob Hive HDFS Swift HBase HDFS 各サービスで固有の 前処理 / 後処理を集約
40.
例. 推薦ジョブ: Writer
タスク 40 Reader Processor ServiceProcessor Recommender Writer …… …… ItemRecommenderJob Hive HDFS Swift HBase HDFS データストアへの 推薦結果の書き出し
41.
•ジョブの中身を記述する YAML 形式の設定ファイル レシピ 41
42.
目次 •AbemaTV と推薦システム •アルゴリズム /
システム構成 •メディアサービスの推薦基盤 •まとめと今後の展望 42
43.
まとめと今後の展望 •まとめ •AbemaTV における推薦システムの紹介 •2 段階のアプローチ:
候補選択 + リランキング •メディアサービス向けの推薦基盤の紹介 •今後の展望 •より良いアルゴリズム: より精緻な機械学習モデルの採用 •ビデオ以外のコンテンツの推薦: 放送枠 (時間の制約がある), …… 43
Télécharger maintenant