協調フィルタリング vs コンテンツベースフィルタリング：どちらのレコメンデーションアプローチを選ぶべきか？

協調フィルタリングは、集合的なユーザー行動に基づいてアイテムをレコメンデーションします。基本的な前提として、過去に意見が一致したユーザーは将来も一致するとみなします。ユーザーベースの協調フィルタリングは類似ユーザーを見つけ、彼らが気に入ったものをレコメンデーションします。アイテムベースの協調フィルタリングは共起パターンに基づいて類似アイテムを見つけます。

現代的な実装では行列分解（SVD、ALS）を用いて、ユーザーとアイテムのインタラクション行列を潜在因子に分解します。これにより明示的な特徴エンジニアリングなしに、ユーザーのジャンルや価格帯への親和性といった隠れたパターンを捉えることができます。ディープラーニングを用いたニューラル協調フィルタリングによって精度がさらに向上します。

コンテンツベースフィルタリングは、アイテムの特徴に基づいてユーザーが過去に気に入ったものと類似したアイテムをレコメンデーションします。商品であればカテゴリ、価格、ブランド、説明文のキーワード。メディアであればジャンル、監督、キャスト、タグが対象です。現在ではトランスフォーマーベースの埋め込みにより、キーワードマッチングをはるかに超えた意味的な類似性を捉えることが可能です。

品質は特徴表現に依存します。手動タグ付けには限界があり、現代のシステムではテキストにBERT埋め込み、画像にResNetの特徴量を使用します。これにより表面的な属性ではなく、より細やかなコンテンツの類似性に基づいたレコメンデーションが可能になります。

協調フィルタリングは新規ユーザー（履歴なし）や新規アイテム（共起データなし）に対してレコメンデーションできません。コンテンツベースは特徴量さえあれば新規アイテムにも自然に対応できますが、新規ユーザーがインタラクション履歴を積み上げるまでは同様に課題が残ります。

頻繁に新規在庫が追加されるインドのECやマーケットプレイスプラットフォームでは、コンテンツベースフィルタリングが即座にカバレッジを提供します。安定したカタログとアクティブなユーザーベースを持つプラットフォームでは、協調フィルタリングが関連性と思わぬ発見において優れた結果を示す傾向があります。

ほとんどの本番システムではハイブリッドアプローチを採用しています。重み付けハイブリッドは両モデルのスコアをブレンドします。カスケードハイブリッドは候補生成にコンテンツベースを使用し、ランキングに協調フィルタリングを使用します。特徴拡張ハイブリッドは協調フィルタリングのシグナルをコンテンツベースモデルにフィードし、より豊かな表現を実現します。

Boolean & Beyondはバンガロール、コインバトールを含むインド全土の企業向けにハイブリッドレコメンデーションエンジンを構築しています。2段階アーキテクチャでは、コンテンツベースの候補生成（高速かつコールドスタートへの対応）と協調フィルタリングによるランキング（高精度でパーソナライズ済み）を組み合わせ、インド市場のダイナミクスにおいてカバレッジとパーソナライゼーションを両立させています。