1. レコメンドとは？
レコメンドは、人工知能ブームが来る前からずっと使われてきた機械学習の活用方法の一つです。
レコメンドの例としては以下があげられますね。
- おススメ商品・コンテンツの自動選定
- Amazon・Youtubeなどで表示させるおススメ商品・コンテンツの選定
- ニュースサイトで読者が関心の強い記事を選定
- Qiitaでも下に出てきますね
- マッチングサイト上での紹介者を選定
TinderやPairsなど
#2. レコメンドに必要なデータって？
レコメンドの評価には、大きく以下のデータが使われています。
- ユーザーからのアイテム評価データ
- ユーザーの属性（特徴）データ
- アイテムの属性（特徴）データ
3. ユーザーベースレコメンドとアイテムベースレコメンド
-
ユーザーベースレコメンドがおススメする商品は？
コメンド対象者と好みの傾向が似たユーザーを探し、その類似ユーザーが過去に
高い評価を与えた商品のうち、レコメンド対象者がまだ購入していない商品 -
アイテムベースレコメンドがおススメする商品は？
レコメンド対象者が過去に高い評価を与えた商品と、
似たような評価を付けられる傾向がある商品
4. コールドスタート問題
新規ユーザー・新規アイテムが増えた際に、評価データが集まるまでレコメンドが出来ない問題があり、コールドスタート問題と呼ばれています。コールドスタート問題の解決方法としては以下があります。
4-1. 新規ユーザーのコールドスタート問題解決方法
類似ユーザーが過去に高い評価を与えたアイテムをおススメする方法です。
必要なデータとしては、ユーザーの属性（特徴）データ、ユーザーのアイテム評価データを用います。
4-2. 新規アイテムのコールドスタート問題解決方法
類似アイテムを特定し、類似アイテムに高い評価を与えたユーザーに新規アイテムをおススメする方法です。必要なデータとしてはアイテムの属性（特徴）データ、ユーザーのアイテム評価データがあります。
(参考) 新アイテムは行動履歴がないからレコメンドできない」モンダイを解決するには
5. 予測精度(レコメンドの精度)を向上させるには？
レコメンドの予測精度を向上させる方法としては以下のような方法があります。
- ユーザーの属性情報を見直す
- 商品の属性情報を見直す
- ユーザー評価として採用する情報を見直す
#（参考）レコメンドの成功事例