Ch.12
協調フィルタリング：推薦の基礎
Netflixで「こんな作品はいかが？」と表示されたことはありますか。協調フィルタリングは、自分と趣味が近い他ユーザーが高く評価したものを推薦する方式です。この章では評価行列・類似度・近傍ベース予測の概念から式、実務での活用までを扱います。
チャプター別 機械学習図
チャプターを選ぶと、下の図がそのチャプターの内容に切り替わります。機械学習の流れを一覧で確認できます。
ユーザー×アイテムの評価行列から類似ユーザー（近傍）を求め、その評価で空欄を予測します。
協調フィルタリング：類似ユーザーからを予測。
推薦の基礎：協調フィルタリング
協調フィルタリングとは — 他ユーザーの行動（評価・クリック・購入）を利用し、自分に合うアイテムを推薦する方法です。「趣味が近い人が好きなものは自分も好きになりやすい」という直感に基づきます。動画・EC・音楽アプリなどで広く使われています。
直感：近傍の選択を借りる — 映画推薦で、自分と同じA・Bを高く評価した人がCも高く評価していれば、自分もCを好きになる可能性が高いです。この「似た人」を近傍といい、近傍の評価で予測するのが協調フィルタリングの核心です。
数式：評価行列と予測 — ユーザーとアイテムの評価をとすると、評価行列は（ユーザー×アイテム）の大きさです。多くのマスは空（疎）です。ユーザー基盤ではユーザーと類似した近傍を決め、未評価のアイテムについて近傍の評価の加重平均で予測値を求めます。類似度はコサイン類似度やピアソン相関などで測ります。
実務と限界 — コールドスタート（新規ユーザー・新規アイテムには近傍がない）、疎性の問題があるため、コンテンツベース推薦や行列分解などと組み合わせることが多いです。
推薦はビジネスとUXの要 — きちんとした推薦があると、ユーザーは欲しいものに早くたどり着き、サービスは売上・滞在時間を伸ばせます。協調フィルタリングはパーソナライズの代表的な方法で、データが蓄積されていればメタデータ（ジャンル・タグ）が少なくても推薦できます。
機械学習の応用分野 — 推薦は分類・回帰とは異なる形の問題です。正解ラベルがユーザーごとに違い、行列の空欄を埋めるという視点で扱います。協調フィルタリングを理解すると、その後の行列分解・深層学習推薦へ自然に広げられます。
ユーザー基盤とアイテム基盤 — ユーザー基盤：自分と似たユーザーを探し、その人が高く評価したアイテムを推薦。アイテム基盤：今見ているアイテムに似たアイテムを探して推薦（「この商品を見た人はこれも見ています」）。どちらも「類似度」と「近傍」の概念を使い、式の構造も似ています。
類似度と予測式 — 類似度（ユーザーとの間）を求め、予測はの形で書けます。近傍の平均や加重平均だけでも構いません。評価指標にはMAE・RMSEなどを使います。
行列分解（MF） — 発展では評価行列を低ランク行列の積で近似する行列分解を使い、空欄予測の精度を上げたり、コールドスタートを緩和するためにコンテンツ・文脈情報を合わせるハイブリッドがよく使われます。
この章では推薦の基礎である協調フィルタリングを扱いました。
- 協調フィルタリング：他ユーザーの評価・クリック・購入などの行動データを使い、自分と趣味が近い近傍を見つけ、その評価で空欄（未評価）を予測する方式です。
- 評価行列：行＝ユーザー、列＝アイテム。1マス＝「1人のユーザーが1つのアイテムに付けた評価」。多くのマスが空の疎行列です。
- 予測の流れ：類似度計算 → 近傍K人を選択 → 近傍の単純平均または加重平均（類似度を重みに）で予測値 を求めます。
- 実務：コールドスタート・疎性のためコンテンツベース・行列分解・ハイブリッドと組み合わせることが多いです。