[2022/04/07]推薦・機械学習勉強会

[yu-ya4]

Why

推薦・機械学習勉強会は、推薦や機械学習、その周辺技術を通じてサービスを改善することにモチベーションのある人達の集まりです。ニュースやブログから論文まで、気になったものについてお互い共有しましょう！

発信のため、ここは public にしてあります。外部からの参加をご希望の方は松村(https://twitter.com/yu__ya4) まで DM を送るか、Wantedly Visit の募集（https://www.wantedly.com/projects/391912） よりご連絡ください！

What

Wantedly では隔週木曜日に

• 推薦の評価指標について議論したい
• 〇〇っていうライブラリ / フレームワークを導入してみたい
• 他社の基盤事例をみんなにシェアして自社の基盤開発に活かしたい
• もっと推薦を良くするためにどんなものが必要か議論したい

といった話をする「推薦・機械学習勉強会」を開催しています。 この ISSUE はその会で話すネタを共有するための場所です。

話したいことがある人はここにコメントしましょう！ 会の間に話した内容もここにメモしましょう！

prev: #136

[hakubishin3]

効果検証に統計的因果推論を導入した取り組みについて

• GLOBISの統計的因果推論の導入事例が紹介されている
• 実サービスの状況を例にして、因果推論の導入モチベーションとなる問題設定から書かれている。
• 因果推論の難しいポイントを回避するための現場での工夫を紹介する記事が別途出るみたい、楽しみ

DMM の検索改善専門チームが教える！ 検索改善に向けた考え方から効果検証まで

• DMMの検索改善チームがどのように施策を立案し進めていくのか紹介されている
• DMMならではの検索の難しさやKPI設定、検索システムの開発フェイズが面白い
• 検索経路だけでなくサービス全体で数字を確認して施策の判断を取っているのが素敵だなと思った

[nogawanogawa]

Yahoo!ショッピングのレコメンドに検索エンジンを導入して運用改善した話

• ECサイトにおける、「この商品を買った人におすすめ」のようなレコメンドに関する詳細
• もともとCassandra(key-value store)を使用していたが、レコメンドのパターン（価格帯縛り、ECサイト別、など）に応じて別々に保存しなければならなかった
• Solrを使用してこの管理をかんたんにした

BERTとベクトル検索を用いたYahoo!ショッピングの製品名寄せ作業の効率化検証

• 様々なお店が出店する関係上、異なる名前で同じ商品が多く発生する
• お店を横断して価格比較などをするページを作成するために、商品の名寄せが必要になりその一部は手作業で行う
• BERTのEmbeddingを使用したベクトル検索によって、手作業で行っていた処理の高速化

ElasticsearchのMore like this内部実装とパフォーマンス問題の解決

• 文書を入力に、関連する文書を検索するMore like thisという検索機能がある
• Elasticsearchにもこの機能がAPIとして提供されている
• これを使用する際の高速化手法の紹介

[zerebom]

文春オンラインの記事分析を支える爆速ダッシュボードを作るまで

• ダッシュボードによるデータの可視化にコストをかけるべき理由
  • 文春オンラインは2021年秋に GA4 & BQでダッシュボードを力を入れてリニューアルした
  • 難しい分析でなく、データの整備と可視化を通して、メンバーが自ずと仮説を思いつき、アクションを行なって検証できる環境を作った
  • なぜ?
    • 分析で短期で劇的に改善するタスクは多くない
      • そういうのはメディア担当者にヒアリングすればOK
    • Webメディアは更新頻度が多く、試行錯誤のチャンスが多い
    • →時間をかけて高度な分析をするよりも、一人一人がデータを使いこなせた方が効果が大きい
      • ただ実際全員がGA4を学ぶのはきついので、データアナリストが使いやすいダッシュボードを作ることでデータカルチャーが育っていく
• Webメディア業界の現状
  • 他の企業: Excelいじったり、ユーザ数・セッションの定義が曖昧
  • 不完全なデータを加工して妥当なインサイトを得るにはバイアス・誤差を取り除く高度な技術が必要
  • 正確なデータをシンプルに集計する方が大事
• 文春オンラインでいち早くGA4移行したわけ
  • 表示に時間がかかる・エラーが頻発 →エンドユーザが使ってくれなくなってしまう
  • 改善方法
    • 閲覧データをBQにエクスポートした。見たいデータ全て集計したテーブル(データマート)を用意して、データポータルにはロジックを置かないようにした
• 分析の切り口
  • Who: どんな人が読んだのか
  • How: どんなタイミング・タッチポイントで読んだのか（フィジカル・アベイラビリティ）
  • Why: なぜ読み始めて、なぜ読むのをやめたのか（メンタル・アベイラビリティ）

[yu-ya4]

『推薦システム実践入門 ―仕事で使える導入ガイド』が 5/9 に発売されるよ🐦

https://twitter.com/yu__ya4/status/1509077979150036996

『推薦システム実践入門 ―仕事で使える導入ガイド』 という書籍を執筆しました。オライリージャパン様より 2022/5/9 発売予定です。 @masa_kazama と @zr_4 との共著となります。

推薦システムをプロダクトに導入するぞってときの最初の一冊になると嬉しいです。

何卒🙏

https://www.amazon.co.jp/dp/4873119669/

「mercari AI」公開スタート

AI 関連のトピックに絞った情報発信の場をメルカリがスタート。すでに面白い記事がちらほらと。 要チェック。👀

https://ai.mercari.com/

https://twitter.com/kimuras/status/1511533653699936258

MercariのAIに対する考え方や、今後の開発について少しずつでも外部発信していきたいと考えてAIの情報発信のwebをリリースしました。今後も継続的に記事を追加していきますが、まずはshintaroさんとこれまでのAI活用の歩みと今後の展望に関する記事を投稿させていただきました

Spotifyのレコメンド担当 PdM の方の話

おれが Machine Learning Product Manager ダ！💪

『Webinar: Managing Machine Learning Products by Spotify Product Leader, Derya Isler』 https://www.youtube.com/watch?v=EhlHKhQv0Qg

https://twitter.com/icoxfog417/status/1509899061570142214

Spotifyのレコメンドを担当するPdMの方の話。実際にPdMとして機械学習を導入した際の検討フローが紹介されていて参考になる。1)データ戦略、2)計測可能なゴール、3)人材、4)予測誤りの許容性、5)説明性、6)ユーザーとのインタラクションの6つから判断している。

[Hayashi-Yudai]

textacy

NLPタスクの基本的な部品を簡潔なインターフェースで提供しているライブラリ。tokenize等はもちろん、

• Documentの類似度計算
• トピックモデリング
• augmentation

なども行える