初心者のためのウェブマーケティング入門ブログ

webマーケティングの初心者向けブログです

ウェブマーケティングにおけるCold-Start問題とは

ウェブマーケティングのレコメンドなどについて勉強していると、データの蓄積が少ないときの対処方法について疑問に思うタイミングがあると思います。

購買情報やユーザーの情報が極端に少ない初期の状況だと、買われたことがあるほんの一部の商品しかおすすめされず、まだ売れていないほかの商品は全くおすすめされないことになってしまうのでは、という疑問です。

どうやらそのような問題は本当に存在するらしく、すでに「コールド・スタート問題」という名前が付けられているようです。

今回はこのコールドスタート問題について、整理していきたいと思います。

1.コールド・スタート問題とは

Cold-Start問題(コールド・スタート問題)とは、機械学習を用いたウェブマーケティングにおける課題の一つで、例えばECサイトなどでユーザーに商品などを推薦する際に、数件しかデータのない過去ログを参考にユーザーに商品を提案した場合、一部の人気商品ばかりが提案されることになるという問題ということです。*1

まだユーザーの目に触れたことのない商品などは推薦されず、サイトからのおすすめ商品が新規性のないものになってしまうことにより、多様性が失われます。あまりにも多様性を欠いたワンパターンなものになると、推薦システムがむしろ邪魔に感じるという状態も想像できます。

以上のような状態では、レコメンドがうまくいっているとは言い難いですから、コールド・スタート問題を解決してデータが少ない場合でも、効果のあるレコメンドができれば安心です。

2.現状の解決方法

現状では、この問題の解決方法として以下のような方法が挙げられています。*2

  1. ハイブリッド・タイプ
  2. 半教師学習

1.ハイブリッド・タイプは文字通り、いろいろな手法を組み合わせてレコメンドすることで、いろいろなフィルタイリングの方法を組み合わせて、解決しようというものです。ハイブリッド・レコメンデーション・システムとも呼ばれ、救数のレコメンデーションの技術を使用することで、先ほどの機械学習を用いたコールド・スタート問題の解決を図る手法です。

2.半教師学習は、すでに観測されたデータとまだ観測されていないデータの両方を使用し、少量の観測済みデータを用いることで、大量の未観測データを学習することができるというものです。*3

実際にこの半教師学習と、特異値分解という分解手法を用いてコールド・スタート問題を解決する実験をしている文献もありますので、参考にしてみてはいかがでしょうか。*4

*1:内田匠, 中川慧, 吉田健一半教師学習と特異値分解による Cold-Start 問題へのアプローチ」『人工知能学会全国大会論文集 2018 年度人工知能学会全国大会 (第 32 回) 論文集』 2018年。

*2:上記文献や、

https://www.silveregg.co.jp/archives/blog/49を参考に

*3:

https://products.sint.co.jp/aisia/blog/vol1-20

*4:同上半教師学習と特異値分解による Cold-Start 問題へのアプローチ」