推薦システム（レコメンダーシステム）とは、ユーザーの好みを予測し、製品、映画、音楽、ニュース記事など、ユーザーが欲しそうな項目を提案するソフトウェアである。推薦システムは、現代のインターネットにおけるパーソナライゼーションの多くを支えており、電子商取引の商品一覧から動画・音楽ストリーミングのフィード、ソーシャルメディアのタイムラインに至るまで、機械学習の最も経済的に重要な応用の一つとなっている。
手法
この分野を支配する古典的なアプローチは2つある。協調フィルタリングは、項目の内容を直接理解することなく、類似したユーザーの行動からユーザーの好みを推測する。一方、コンテンツベースフィルタリングは、項目自体の特徴を用いて、ユーザーが以前に好んだものと属性が類似した項目を推薦する。2006年から2009年にかけて行われたNetflixの公開コンペティションは、協調フィルタリングの精度を10%向上させることを目指し、賞金100万ドルをかけたもので、行列分解技術を広め、この分野への一般的な注目を集める画期的な出来事となった。2009年には、複数のモデルをアンサンブルで組み合わせたチームが優勝した。現代のシステムでは、深層学習がますます用いられ、ユーザーと項目をベクトル、すなわち埋め込みとして表現し、類似したユーザーと項目が共有空間内で近くに位置するように学習する。これにより、ベクトルデータベースと意味検索に関連する技術を用いて効率的に検索できる。ニューラルネットワークのアーキテクチャ、例えばツータワーモデルや、2020年代以降はユーザーの履歴をシーケンスとして扱い次の相互作用を予測するトランスフォーマーベースのシーケンスモデルが、大規模プラットフォームで一般的になっている。
応用とビジネスへの影響
推薦システムは、商品推薦が売上の大きな割合を牽引するAmazon、コンテンツ推薦が視聴の大部分を支えるNetflixやYouTube、音楽発見を担うSpotify、そしてフィードランキングアルゴリズムがユーザーエンゲージメントと広告収入を促進すると広く評価されているTikTokやInstagramなどのソーシャルプラットフォームのビジネスモデルにおいて中心的な役割を果たしている。
批判
推薦システムはいくつかの点で批判を集めている。エンゲージメントのみに最適化されたフィードランキングアルゴリズムは、フィルターバブルや分極化と関連付けられており、視聴時間やクリック数を最大化することが扇情的または過激なコンテンツを優先する可能性があるためである。批評家はまた、アルゴリズムバイアスについても懸念を表明している。これは、過去の相互作用データで訓練されたシステムが、誰に何が推薦されるかにおける既存の格差を強化し得るというものである。さらに、これらのシステムの不透明性に関する懸念もあり、これは説明可能なAIや解釈可能性の研究で扱われる問題であり、ユーザーや規制当局は特定の項目が推薦された理由をしばしば見ることができない。プライバシーへの懸念も一般的であり、効果的なパーソナライゼーションは通常、詳細な行動データの収集を必要とするためである。大規模言語モデルが成熟するにつれ、一部のプラットフォームでは、暗黙的な行動信号のみに依存するのではなく、ユーザーが自然言語で欲しいものを記述できる会話型のLLMベースの推薦インターフェースの探索を始めている。