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

協調フィルタリングとコンテンツベースフィルタリング：アルゴリズムの選択

レコメンデーションシステムの中心的な選択は、ユーザー行動の類似性に基づく協調フィルタリング（CF）か、アイテム属性に基づくコンテンツベースフィルタリング（CBF）か、あるいはその組み合わせかです。どちらも強みと弱点を持ち、ユースケースによって最適解が変わります。

協調フィルタリングの仕組みと実装

メモリベースCF

ユーザーベースCF：対象ユーザーと類似した嗜好を持つユーザーを見つけ、彼らが高く評価したアイテムを推薦します。コサイン類似度やピアソン相関でユーザー間の類似度を計算します。数千ユーザー規模では実用的ですが、数百万では計算コストが高すぎます。アイテムベースCF（Amazon が1998年に特許取得）：ユーザーが過去に操作したアイテムと類似するアイテムを推薦します。アイテム-アイテム類似度行列はユーザーベースより安定しており、事前計算できます。

モデルベースCF：行列分解

SVD（特異値分解）やALS（交互最小二乗法）はユーザー×アイテム行列を低ランク近似します。暗黙的フィードバック（クリック、閲覧時間）に対してはimplicit ALSが有効です。SparkのMLlibが提供するALSは分散環境での行列分解を可能にします。ユーザーとアイテムをそれぞれ64〜256次元のベクトルで表現し、内積で評価スコアを予測します。

コンテンツベースフィルタリングの実装

特徴量エンジニアリング

テキストコンテンツ：TF-IDF、BM25、またはSentenceTransformersによる意味的埋め込み。映画の場合：ジャンル（one-hot）、監督（エンティティ埋め込み）、公開年（数値）、あらすじ（テキスト埋め込み）。音楽の場合：BPM、キー、音響特徴（MFCCスペクトル）。ユーザープロファイルはユーザーが好んだアイテムの特徴量の加重平均として構築します。

類似度計算とランキング

ユーザープロファイルベクトルとアイテム特徴量ベクトルのコサイン類似度を計算します。コンテンツベースの問題点はフィルターバブル：ユーザーが好むコンテンツと類似したものしか推薦されず、新しい興味の発見が阻まれます。鮮度ボーナスや多様性制約（MMR: Maximal Marginal Relevance）を追加してこれを緩和します。

ハイブリッドアプローチ：両者を組み合わせる

加重ハイブリッドと切り替えハイブリッド

加重ハイブリッド：CFスコアとCBFスコアを線形結合します（例：0.7×CF + 0.3×CBF）。重みはユーザーのデータ量に応じて動的に調整します。切り替えハイブリッド：新規ユーザーにはCBF（コールドスタート対策）、インタラクション数が閾値（例：20以上）を超えたらCFに切り替えます。

特徴量レベルのハイブリッド（TwoTower）

TwoTowerモデルはCFとCBFを統一フレームワークで学習します。ユーザーエンコーダーはユーザーID埋め込み＋行動特徴量を処理し、アイテムエンコーダーはアイテムID埋め込み＋コンテンツ特徴量を処理します。両エンコーダーの出力ベクトルの内積がスコアです。GoogleのYouTube推薦システム（2016年）がこのパターンを普及させました。

実運用でのトレードオフ分析

コールドスタートと説明可能性

CFはユーザーとアイテムの両方のコールドスタートに弱く、新規ユーザーへの推薦は人気ベースにフォールバックが必要です。CBFはアイテムのコールドスタートに強く（特徴量があれば即座に推薦可能）、ユーザーのコールドスタートには弱い。CBFは「このアイテムを推薦したのはあなたがXを好んだから」と説明可能ですが、CFは「似たユーザーが好んだから」という説明しかできません。

多様性とセレンディピティ

CFはユーザーが知らない新しいジャンルやカテゴリへのクロスオーバー推薦（セレンディピティ）が得意です。CBFはユーザーが既に好むものと類似したアイテムを推薦するため、多様性が低下します。実運用では「探索（Explore）vs 活用（Exploit）」のバランスが重要で、εグリーディアルゴリズムやThompsonサンプリングで実装することもあります。

選択指針のまとめ

ECサイト（Amazon型）はアイテムベースCFが主軸で機能し、コンテンツ特徴量の乏しい商品に有効です。動画配信（Netflix型）はTwoTowerによるハイブリッドが標準です。ニュースや記事（コンテンツが豊富）はCBFが有効で、特にリアルタイム性が求められる場合に適します。多くの場合、シンプルなアイテムベースCFから始め、測定可能な改善が見込めるときにハイブリッドへ移行するのが実用的なアプローチです。