暗黙のフィードバックデータに対するレコメンダーの構築

暗黙のフィードバックデータに対するレコメンダーの構築' can be condensed as '暗黙のフィードバックデータに対するレコメンダー構築

ユーザーを知らないまま個別の推薦を提供します。

各推薦システムは異なり、建設しやすいものとそうでないものがあります。Netflixを考えてみましょう。彼らは自分たちの映画について詳しく知っており、豊富なユーザーデータやユーザー生成データ（再生回数、評価、視聴時間など）を持っています。このデータ豊富な環境では、良いモデルを作成するために必要な情報が利用可能なデータに含まれていることが確実です。しかし、ユーザーや製品についてのデータがあまりない場合もあります。そのような場合には、次のように対処します。

暗黙的フィードバック

ユーザー、製品、またはユーザーと製品の相互作用の感情を説明するためのデータが利用できない状況は、暗黙的フィードバックとして知られています。この場合、唯一の利用可能なデータは、各ユーザーと製品の間で何回の相互作用が発生したか、例えば特定のユーザーが特定のアーティストの楽曲を何回聴いたか、という情報です。ただし、アーティストが好きかどうかはわかりません。評価は利用できません。

暗黙的フィードバックデータには、各ユーザーと製品の相互作用の回数のみが含まれます。

• 「データサイエンスのデータ管理原則」
• 2v2ゲームのためのデータ駆動型Eloレーティングシステムの作成方法
• 医療における臨床家と言語モデルのギャップを埋めるために：電子医療記録の指示に従うための臨床家によって作成されたデータセット、MedAlignに会いましょう

確かに、誰かが頻繁にバンドを聴いている場合、彼らがそれを好きであると推測することができます。しかし、それは推測に過ぎません。データ自体は、相互作用の回数に関する情報のみを提供します。さらに、ユーザーがアーティストを聴かなかったという事実は、彼らが聴いた場合には好きにならなかったということではありません。

暗黙的フィードバックのシナリオは非常に一般的であり、特に大規模なテクノロジー企業以外ではよく見られます。これにはいくつかの課題があります。製品の特徴に関するデータがないため、コンテンツベースのフィルタリング手法を使用することができません。コンテンツベースのフィルタリングは、ユーザーが好きな製品に類似した製品を見つけるために製品の特徴を利用します。

代替手法としては、協調フィルタリングがあります。ここでは、対象ユーザーの過去の相互作用と似たようなユーザーの相互作用を活用して関連する製品を推薦します。ただし、協調フィルタリングの実装時に、ユーザーと製品の相互作用の感情がわからないという事実を念頭に置かなければなりません。

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!