レコメンデーションシステム

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の違いは、初期の音楽推薦システムであるLast.fmとPandora Radioを比較することで示すことができる。

• Last.fmは、ユーザーが定期的に聴いているバンドや個々のトラックを観察し、それらを他のユーザーのリスニング行動と比較することで、おすすめの曲の「ステーション」を作成します。Last.fmは、ユーザーのライブラリにはないが、同様の興味を持つ他のユーザーがよく聴いているトラックを再生します。このアプローチはユーザーの行動を活用するため、協調フィルタリング技術の一例です。^{[ 16 ]}
• Pandoraは、楽曲やアーティストの特性（Music Genome Project ^{[ 17 ]}が提供する450の属性のサブセット）を利用して、類似の特性を持つ音楽を再生する「ステーション」を作成します。ユーザーからのフィードバックはステーションの結果を洗練するために使用され、ユーザーが特定の楽曲を「嫌い」と評価した場合は特定の属性の強調度を下げ、ユーザーが楽曲を「好き」と評価した場合は他の属性の強調度を上げます。これはコンテンツベースのアプローチの一例です。

各システムには長所と短所があります。上記の例では、Last.fm は正確な推薦を行うためにユーザーに関する大量の情報を必要とします。これはコールドスタート問題の一例であり、協調フィルタリングシステムではよく見られます。^{[ 18 ] [ 19 ] [ 20 ] [ 21 ] [ 22 ] [ 23 ]}一方、Pandora は開始時に必要な情報が非常に少ないものの、その範囲ははるかに限定されています (たとえば、元のシードに類似した推薦しかできません)。

レコメンデーションシステムは、ユーザーがそうでなければ見つけられなかったであろうアイテムを発見するのに役立つため、検索アルゴリズムの有用な代替手段です。注目すべきは、レコメンデーションシステムは、非従来型のデータをインデックス化する検索エンジンを使用して実装されることが多いということです。ゴンザレス対グーグル最高裁判所訴訟のように、検索アルゴリズムとレコメンデーションアルゴリズムは異なる技術であると主張するケースもあります。^{[ 24 ]}

レコメンデーションシステムは、いくつかの特許の焦点となっており、^{[ 25 ] [ 26 ] [ 27 ] [ 28 ] [ 29 ]また、LensKit、 [ 31 ] [ 32 ]} RecBole、^{[ 33 ]} ReChorus ^{[ 34 ]}および RecPack ^{[ 35 ]}を含む、レコメンデーションシステムの開発をサポートするソフトウェアライブラリが 50 以上存在します^{[ 30 ] 。}

協調フィルタリングを用いてユーザーの評価を予測する例。

• 左：まず、人々はさまざまなアイテム（動画、画像、ゲームなど）を評価します。
• 右：その後、システムはユーザーがまだ評価していないアイテムに対するユーザーの評価を予測します。これらの予測は、アクティブユーザーと類似した評価をしている他のユーザーの既存の評価に基づいて構築されます。たとえば、この例では、ネットワークの左下のユーザーは動画を気に入らないだろうとシステムが予測しています。

推薦システムの設計において広く用いられているアプローチの一つに、協調フィルタリングがある。^{[ 50 ]}協調フィルタリングは、過去に意見が一致した人は将来も意見が一致するだろう、また過去に好んだものと同様のアイテムを好むだろうという仮定に基づいている。このシステムは、異なるユーザーやアイテムの評価プロファイルに関する情報のみを使用して推薦を生成する。現在のユーザーやアイテムと類似した評価履歴を持つピアユーザー/アイテムを見つけることで、この近傍を使用して推薦を生成する。

協調フィルタリングのアプローチは、機械が分析可能なコンテンツに依存しないため、アイテム自体を「理解」する必要なく、映画などの複雑なアイテムを正確に推薦することができます。推薦システムでは、ユーザー類似性やアイテム類似性を測定するために多くのアルゴリズムが使用されてきました。たとえば、k近傍法（k-NN）アプローチ^{[ 51 ]}や、アレンによって最初に実装されたピアソン相関係数^{[ 52 ]}などがあります。

協調フィルタリング手法は、コールドスタート、スケーラビリティ、スパース性という3つの問題を抱えていることが多い。^{[ 53 ]}

• コールドスタート：新規ユーザーまたはアイテムの場合、正確な推奨を行うのに十分なデータがありません。注：この問題に対する一般的な解決策の1つは、マルチアームバンディットアルゴリズムです。^{[ 54 ] [ 18 ] [ 19 ] [ 21 ] [ 23 ]}
• 拡張性：これらのシステムがレコメンデーションを行う環境の多くは、数百万ものユーザーと製品を抱えています。そのため、レコメンデーションを計算するには、膨大な計算能力が必要となる場合が少なくありません。
• データの疎性：主要なECサイトで販売されている商品の数は非常に多い。最もアクティブなユーザーでも、データベース全体のごく一部しか評価していない。そのため、最も人気のある商品でさえ、評価数はごくわずかである。

ソーシャルネットワーキングサービスは、ユーザーと友人の間のつながりのネットワークを調べることで、新しい友人、グループ、その他の社会的つながりを推奨するために協調フィルタリングを使用しています。^{[ 1 ]}

レコメンデーションシステムを設計する際のもう 1 つの一般的なアプローチは、コンテンツ ベースのフィルタリングです。コンテンツ ベースのフィルタリング手法は、アイテムの説明とユーザーの好みのプロファイルに基づいています。^{[ 55 ] [ 56 ]}これらの手法は、アイテムに関するデータ (名前、場所、説明など) は既知であるが、ユーザーに関するデータがない状況に最適です。コンテンツ ベースのレコメンデーションでは、レコメンデーションをユーザー固有の分類問題として扱い、アイテムの特徴に基づいてユーザーの好き嫌いの分類器を学習します。

このシステムでは、キーワードを用いてアイテムを説明し、ユーザーの好みのアイテムの種類を示すユーザープロファイルを作成します。つまり、これらのアルゴリズムは、ユーザーが過去に気に入ったアイテムや現在検討しているアイテムに類似したアイテムを推薦しようとします。このプロファイルは、多くの場合一時的なものですが、ユーザーログインメカニズムに依存して生成されるわけではありません。具体的には、様々な候補アイテムが、ユーザーが以前に評価したアイテムと比較され、最も一致するアイテムが推薦されます。このアプローチは、情報検索と情報フィルタリングの研究にルーツを持っています。

ユーザープロファイルを作成する際、システムは主に2種類の情報に注目します。

1. ユーザーの嗜好をモデル化したもの。
2. ユーザーがレコメンデーションシステムとやり取りした履歴。

基本的に、これらの手法は、システム内のアイテムを特徴付けるアイテムプロファイル（つまり、離散的な属性と特徴のセット）を使用します。システム内のアイテムの特徴を抽象化するために、アイテム表現アルゴリズムが適用されます。広く使用されているアルゴリズムは、tf-idf表現（ベクトル空間表現とも呼ばれる）です。^{[ 57 ]}システムは、アイテムの特徴の重み付きベクトルに基づいて、ユーザーのコンテンツベースのプロファイルを作成します。重みは、各特徴のユーザーに対する重要度を示し、さまざまな手法を使用して個別に評価されたコンテンツベクトルから計算できます。単純なアプローチでは、評価されたアイテムベクトルの平均値を使用しますが、他の高度な手法では、ベイジアン分類器、クラスタ分析、決定木、人工ニューラルネットワークなどの機械学習技術を使用して、ユーザーがアイテムを気に入る確率を推定します。^{[ 58 ]}

コンテンツベースのフィルタリングにおける重要な課題は、システムがユーザーの特定のコンテンツソースに関する行動からユーザーの嗜好を学習し、それを他のコンテンツタイプにも適用できるかどうかです。システムがユーザーが既に利用しているコンテンツと同じタイプのコンテンツを推奨することに限定されている場合、他のサービスからの他のコンテンツタイプを推奨できる場合と比べて、レコメンデーションシステムの価値は著しく低下します。例えば、ニュース閲覧に基づいてニュース記事を推奨することは有用です。しかし、ニュース閲覧に基づいて、異なるサービスからの音楽、動画、製品、ディスカッションなどを推奨できる方がはるかに有用です。この問題を克服するために、現在ほとんどのコンテンツベースのレコメンデーションシステムは、何らかのハイブリッドシステムを採用しています。

コンテンツベースの推薦システムには、意見ベースの推薦システムも含まれる場合があります。場合によっては、ユーザーはアイテムに関するテキストレビューやフィードバックを残すことができます。これらのユーザー生成テキストは、アイテムの特徴/側面とアイテムに対するユーザーの評価/感情の両方の潜在的に豊富なリソースであるため、推薦システムにとって暗黙のデータとなります。ユーザー生成レビューから抽出された特徴は、アイテムのメタデータを改善します。なぜなら、メタデータと同様にアイテムの側面も反映しているため、抽出された特徴はユーザーに広く関心を持たれているからです。レビューから抽出された感情は、対応する特徴に対するユーザーの評価スコアと見なすことができます。意見ベースの推薦システムの一般的なアプローチでは、テキストマイニング、情報検索、感情分析（マルチモーダル感情分析も参照）、ディープラーニングなど、さまざまな技術が利用されています。^{[ 59 ]}

現在、ほとんどのレコメンデーションシステムは、協調フィルタリング、コンテンツベースフィルタリング、およびその他のアプローチを組み合わせたハイブリッドアプローチを使用しています。ハイブリッドアプローチは、コンテンツベースと協調ベースの予測を別々に行い、それらを組み合わせる方法、協調ベースのアプローチにコンテンツベースの機能を追加する方法（およびその逆）、またはアプローチを1つのモデルに統合する方法など、いくつかの方法で実装できます。^{[ 45 ]}いくつかの研究では、ハイブリッドのパフォーマンスを純粋な協調およびコンテンツベースの方法と比較し、ハイブリッド方法が純粋なアプローチよりも正確なレコメンデーションを提供できることを実証しました。これらの方法は、コールドスタートやスパース性の問題、知識ベースのアプローチにおける知識エンジニアリングのボトルネックなど、レコメンデーションシステムの一般的な問題のいくつかを克服するためにも使用できます。^{[ 60 ]}

Netflixは、類似ユーザーの視聴習慣や検索習慣を比較する（つまり、協調フィルタリング）ことと、ユーザーが高く評価した映画と共通の特徴を持つ映画を提供する（コンテンツベースフィルタリング）ことによって、ハイブリッドな推薦システムを使用して推薦を行っています。^{[ 61 ]}

ハイブリダイゼーション技術には以下のようなものがあります。

• 加重：さまざまな推薦要素のスコアを数値的に組み合わせる。
• 切り替え：推奨コンポーネントの中から選択し、選択したコンポーネントを適用する。
• 混合型：複数の推薦機関からの推薦を組み合わせて提示し、最終的な推薦結果を示します。
• カスケード方式：推薦者には厳格な優先順位が与えられ、優先順位の低い推薦者が、優先順位の高い推薦者のスコアリングにおいて同点の場合の決定権を握ります。
• メタレベル：1つの推薦手法が適用され、何らかのモデルが生成され、それが次の手法で使用される入力となります。^{[ 62 ]}

これらのレコメンデーションシステムは、セッション内でのユーザーのインタラクション^{[ 63 ]}を使用してレコメンデーションを生成します。セッションベースのレコメンデーションシステムは、YouTube ^{[ 64 ]}やAmazon ^{[ 65 ]}で使用されています。これらは、ユーザーの履歴（過去のクリック、購入など）が利用できない場合や、現在のユーザーセッションに関係ない場合に特に役立ちます。セッションベースのレコメンデーションが特に関連するドメインには、ビデオ、eコマース、旅行、音楽などがあります。セッションベースのレコメンデーションシステムのほとんどのインスタンスは、ユーザーの追加の詳細情報（履歴、人口統計）を必要とせずに、セッション内の最近のインタラクションのシーケンスに依存しています。セッションベースのレコメンデーションの技術は、主にリカレントニューラルネットワーク^{[ 63 ] [ 66 ]}、トランスフォーマー^{[ 67 ]}、その他のディープラーニングベースのアプローチ^{[ 68 ] [ 69 ]}などの生成シーケンシャルモデルに基づいています。

推薦問題は、強化学習問題の特殊な例と見なすことができ、ユーザーは、例えばユーザーによるクリックやエンゲージメントなどの報酬を得るために、エージェントである推薦システムが作用する環境です。^{[ 64 ] [ 70 ] [ 71 ]}推薦システムの分野で特に有用な強化学習の側面の1つは、モデルまたはポリシーを推薦エージェントに報酬を与えることによって学習できるという事実です。これは、柔軟性の低い教師あり学習アプローチに依存する従来の学習手法とは対照的です。強化学習推薦手法では、エンゲージメントとユーザーの関心の指標に基づいて直接最適化できるモデルをトレーニングできる可能性があります。^{[ 72 ]}

多基準推薦システム（MCRS）は、複数の基準に関する選好情報を組み込んだ推薦システムと定義できます。単一の基準値、つまりユーザー u のアイテム i に対する全体的な選好に基づいて推薦手法を開発する代わりに、これらのシステムは、この全体的な選好値に影響を与える複数の基準に関する選好情報を活用して、u の未探索アイテムの評価を予測しようとします。多くの研究者は、MCRS を多基準意思決定（MCDM）問題として捉え、MCDM 手法と技術を適用して MCRS システムを実装しています。^{[ 73 ]}詳細な紹介については、この章^{[ 74 ]を参照してください。}

既存の推薦システムの大部分は、コンテキスト情報を使用してユーザーに最も関連性の高いコンテンツを推薦することに焦点を当てていますが、不要な通知でユーザーを邪魔するリスクを考慮していません。たとえば、専門的な会議中、早朝、深夜など、特定の状況で推薦を押し付けることでユーザーを不快にさせるリスクを考慮することが重要です。したがって、推薦システムのパフォーマンスは、推薦プロセスにリスクをどの程度組み込んでいるかに部分的に依存します。この問題に対処するオプションの 1 つは、コンテキスト認識推薦をバンディット問題としてモデル化するシステムであるDRARSです。このシステムは、コンテンツベースの手法とコンテキストバンディットアルゴリズムを組み合わせています。^{[ 75 ]}

モバイル推薦システムは、インターネットにアクセスできるスマートフォンを利用して、パーソナライズされたコンテキストに応じた推薦を提供します。モバイルデータは、推薦システムが扱うことが多いデータよりも複雑であるため、これは特に難しい研究分野です。モバイルデータは異質でノイズが多く、空間的および時間的な自己相関が必要であり、検証と一般性の問題があります。^{[ 76 ]}

モバイル推薦システムと予測結果の精度に影響を与える可能性のある要因は、コンテキスト、推薦方法、プライバシーの 3 つです。^{[ 77 ]}さらに、モバイル推薦システムは移植の問題を抱えています。つまり、推薦はすべての地域に適用できるとは限りません (たとえば、すべての材料が入手できない地域でレシピを推薦するのは賢明ではありません)。

モバイル推薦システムの一例として、UberやLyftなどの企業が都市のタクシー運転手の運転ルートを生成するために採用しているアプローチが挙げられます。^{[ 76 ]}このシステムは、タクシー運転手が勤務中に走行するルートのGPSデータを使用します。このデータには、位置情報（緯度と経度）、タイムスタンプ、運行状況（乗客の有無）が含まれます。このデータを使用して、乗車時間と利益を最適化することを目的として、ルート沿いの乗車地点のリストを推薦します。

生成型レコメンダー (GR) は、レコメンデーション タスクをシーケンシャル変換問題に変換するアプローチであり、生成モデリング フレームワークでは、ユーザーのアクションがトークンのように扱われます。HSTU (階層型シーケンシャル変換ユニット) ^{[ 78 ]}と呼ばれる手法では、高カーディナリティ、非定常、ストリーミング データセットがシーケンスとして効率的に処理され、モデルが数兆個のパラメータから学習し、以前よりも桁違いに長いユーザー アクション履歴を処理できるようになります。生成型レコメンダーは、システムのさまざまなデータをすべて単一のトークン ストリームに変換し、従来のニューラル ネットワーク レイヤーの代わりにカスタムの自己注意アプローチを使用することで、モデルをはるかにシンプルにし、メモリ消費を抑えます。その結果、テスト シミュレーションと実世界のテストの両方でレコメンデーションの品質を向上させることができ、長いユーザー アクション リストを処理する際に、従来のTransformerベースのシステムよりも高速になります。最終的に、このアプローチにより、より多くの計算能力が使用されるにつれてモデルのパフォーマンスが着実に向上し、レコメンデーションのための効率的で拡張性の高い「基盤モデル」の土台が築かれる。

評価は、推薦アルゴリズムの有効性を評価する上で重要です。推薦システムの有効性を測定し、さまざまなアプローチを比較するために、ユーザー調査、オンライン評価（A/Bテスト）、オフライン評価の3種類の評価が利用可能です。 ^{[ 47 ]}

一般的に使用される指標は、平均二乗誤差と二乗平均平方根誤差であり、後者はNetflix Prizeで使用されています。精度や再現率、割引累積利得（DCG）などの情報検索指標は、推薦方法の品質を評価するのに役立ちます。多様性、新規性、カバレッジも評価の重要な側面として考慮されています。^{[ 85 ]}しかし、古典的な評価尺度の多くは非常に批判されています。^{[ 86 ]}

固定されたテストデータセットで推薦アルゴリズムの性能を評価することは、実際のユーザーが推薦に対してどのような反応を示すかを正確に予測することが不可能なため、常に非常に困難です。したがって、オフラインデータでアルゴリズムの有効性を算出する指標は、いずれも不正確になります。

ユーザー調査は比較的小規模なものです。数十人から数百人のユーザーに、さまざまな推薦手法で作成された推薦結果が提示され、ユーザーはどの推薦結果が最適かを判断します。

A/Bテストでは、通常、実際の製品の数千人のユーザーにレコメンデーションが表示され、レコメンデーションシステムは少なくとも2つの異なるレコメンデーション手法をランダムに選択してレコメンデーションを生成します。その有効性は、コンバージョン率やクリック率といった暗黙的な有効性指標を用いて測定されます。

オフライン評価は過去のデータに基づいており、例えばユーザーが過去に映画をどのように評価したかに関する情報を含むデータセットなどです。^{[ 87 ]}

推薦アプローチの有効性は、推薦アプローチがデータセット内のユーザーの評価をどれだけ正確に予測できるかに基づいて測定されます。評価はユーザーが映画を気に入ったかどうかの明示的な表現ですが、そのような情報はすべてのドメインで利用できるわけではありません。たとえば、引用推薦システムのドメインでは、ユーザーは通常、引用や推薦された記事を評価しません。このような場合、オフライン評価では、有効性の暗黙的な尺度を使用する場合があります。たとえば、研究論文の参考文献リストに含まれる記事をできるだけ多く推薦できる推薦システムは有効であると想定できます。しかし、この種のオフライン評価は、多くの研究者から批判されています。^{[ 88 ] [ 89 ] [ 90 ] [ 47 ]}たとえば、オフライン評価の結果は、ユーザー調査やA/Bテストの結果との相関が低いことが示されています。^{[ 90 ] [ 91 ]}オフライン評価でよく使用されるデータセットには重複データが含まれていることが示されており、そのためアルゴリズムの評価で誤った結論につながる可能性があります。^{[ 92 ]}いわゆるオフライン評価の結果は、実際に評価されたユーザー満足度と相関しないことが多い。^{[ 93 ]}これは、オフライントレーニングが到達しやすいアイテムに大きく偏っており、オフラインテストデータはオンライン推薦モジュールの出力に大きく影響されるためと考えられる。^{[ 88 ] [ 94 ]}研究者らは、オフライン評価の結果は批判的に検討すべきであると結論付けている。^{[ 95 ]}

一般的に、推薦システムに関する研究は、最も精度の高い推薦アルゴリズムを見つけることに重点が置かれています。しかし、他にも重要な要素がいくつかあります。

• 多様性– リスト内の多様性が高い場合、例えば異なるアーティストのアイテムが多い場合、ユーザーは推薦に対してより満足する傾向があります。^{[ 96 ] [ 97 ]}

• レコメンデーションの持続性– 状況によっては、新しいアイテムを表示するよりも、レコメンデーションを再表示したり^{[ 98 ]}、ユーザーにアイテムを再評価させたり^{[ 99 ]}する方が効果的な場合があります。これにはいくつかの理由があります。たとえば、ユーザーはレコメンデーションを注意深く調べる時間がなかったため、アイテムが初めて表示されたときに無視する可能性があります。
• プライバシー– レコメンデーションシステムは通常、ユーザーが機密情報を開示する必要があるため、プライバシーの問題に対処しなければなりません^{[ 100 ]} 。協調フィルタリングを使用してユーザープロファイルを作成することは、プライバシーの観点から問題となる可能性があります。多くのヨーロッパ諸国はデータプライバシーの文化が強く、あらゆるレベルのユーザープロファイリングを導入しようとすると、顧客から否定的な反応を受ける可能性があります。この分野で進行中のプライバシー問題については、多くの研究が行われています。Netflix Prize は、データセットで公開された詳細な個人情報で特に注目されています。Ramakrishnan らは、パーソナライゼーションとプライバシーのトレードオフについて広範な概観を実施し、弱いつながり (偶然の推薦を提供する予期せぬつながり) と他のデータソースの組み合わせを使用して、匿名化されたデータセット内のユーザーの身元を明らかにすることができることを発見しました。^{[ 101 ]}

• ユーザーの人口統計– Beel らは、ユーザーの人口統計が、ユーザーがレコメンデーションにどれだけ満足しているかに影響を与える可能性があることを発見しました。^{[ 102 ]}彼らの論文では、高齢のユーザーは若いユーザーよりもレコメンデーションに興味を持つ傾向があることを示しています。
• 堅牢性– ユーザーが推薦システムに参加できる場合、不正行為の問題に対処する必要があります。^{[ 103 ]}
• セレンディピティ–セレンディピティは「推薦がどれほど意外なものか」を測る尺度です。^{[ 104 ] [ 97 ]}例えば、食料品店で顧客に牛乳を推薦する推薦システムは完全に正確かもしれませんが、顧客にとって牛乳は当然買うべき商品なので、良い推薦とは言えません。「セレンディピティ」には2つの目的があります。1つ目は、選択肢のセットが均一すぎるためにユーザーが興味を失う可能性が低くなることです。2つ目は、これらのアイテムはアルゴリズムが学習して改善するために必要です。^{[ 105 ]}
• 信頼– ユーザーがシステムを信頼していない場合、レコメンデーションシステムはユーザーにとってほとんど価値がありません。^{[ 106 ]}レコメンデーションシステムは、どのようにレコメンデーションを生成するか、そしてなぜアイテムを推奨するのかを説明することで信頼を築くことができます。
• ラベル付け– 推奨事項に対するユーザーの満足度は、推奨事項のラベル付けによって影響を受ける可能性があります。^{[ 107 ]}例えば、引用された研究では、 「スポンサー付き」とラベル付けされた推奨事項のクリック率（CTR）は、「オーガニック」とラベル付けされた同一の推奨事項のCTR（CTR=8.86%）よりも低く（CTR=5.93%）、ラベルのない推奨事項のCTRが最も高いパフォーマンスを示しました（CTR=9.87%）。

レコメンデーションシステムはオフラインでの評価が非常に難しいことで知られており、一部の研究者はこれがレコメンデーションシステムの論文における再現性の危機につながっていると主張しています。再現性の問題については、機械学習の出版媒体では繰り返し取り上げられるテーマのようですが、科学出版の世界以外では大きな影響はありません。レコメンデーションシステムの文脈では、2019年の論文で、トップk推薦問題に深層学習やニューラルネットワークの手法を適用した厳選された少数の論文をトップカンファレンス（SIGIR、KDD、WWW、RecSys、IJCAI）で調査したところ、調査著者が再現できた論文は平均で40%未満であり、一部のカンファレンスではわずか14%でした。この論文では、今日の研究学術におけるいくつかの潜在的な問題点を検討し、その分野における科学的実践の改善を提案しています。^{[ 108 ] [ 109 ] [ 110 ]} 同じ手法のセットをベンチマークする最近の研究では、質的に非常に異なる結果が得られました^{[ 111 ] 。その中で、ニューラル手法は最も優れたパフォーマンスを発揮する手法の 1 つであることがわかりました。推薦システムのための深層学習とニューラル手法は、最近のいくつかの推薦システムチャレンジ、WSDM [ 112 ]} RecSys Challenge ^{[ 113 ]}の優勝ソリューションで使用されています。 さらに、ニューラルおよび深層学習手法は、業界で広く使用されており、広範囲にわたってテストされています。^{[ 114 ] [ 64 ] [ 65 ]}再現性のトピックは、推薦システムでは新しいものではありません。2011 年までに、Ekstrand、Konstanらは、「現在、推薦システムの研究結果を再現および拡張することは困難である」こと、および評価が「一貫して処理されていない」ことを批判しました。^{[ 115 ]} KonstanとAdomaviciusは、「推薦システム研究コミュニティは、多くの論文が集合的知識にほとんど貢献しない結果を発表しているという危機に直面している。[...]多くの場合、研究には適切に判断され、有意義な貢献を提供するための評価が欠けているためである。」と結論付けている。^{[ 116 ]}その結果、推薦システムに関する多くの研究は再現性がないと考えられる。^{[ 117 ]}したがって、推薦システムの運用者は、推薦システムでどの推薦アプローチを使用すべきかという質問に答えるための現在の研究からの指針をほとんど見つけることができない。また、Bellogín は、この分野で発表された論文を調査し、最も人気のある推薦フレームワークのいくつかをベンチマークしたところ、同じアルゴリズムとデータセットを使用した場合でも、結果に大きな矛盾があることを発見しました。^{[ 118 ]}一部の研究者は、推薦アルゴリズムやシナリオのわずかな変更が推薦システムの有効性に大きな変化をもたらすことを実証しました。彼らは、現状を改善するために 7 つのアクションが必要であると結論付けています。^{[ 117 ]}「(1) 他の研究分野を調査し、そこから学ぶ、(2) 再現性に関する共通理解を見つける、(3) 再現性に影響を与える決定要因を特定して理解する、(4) より包括的な実験を行う、(5) 出版慣行を現代化する、(6) 推薦フレームワークの開発と使用を促進する、(7) 推薦システム研究のためのベストプラクティスガイドラインを確立する。」

協調フィルタリング（CF）は、最も一般的に使用されている推薦システムアルゴリズムの1つです。明示的または暗黙的な行動パターンに基づいて予測を行い、ユーザーに合わせた提案を生成します。^{[ 122 ]}具体的には、星評価や購入履歴などの外部フィードバックに基づいて判断を行います。CFは、類似度測定に基づいてユーザーの好みを予測します。基本的に、その根底にある理論は、「ユーザーAがユーザーBと類似しており、AがアイテムCを好む場合、BもアイテムCを好む可能性が高い」というものです。

協調フィルタリングには多くのモデルが存在します。AIに適用される協調フィルタリングでは、 K近傍法と呼ばれるモデルがよく用いられます。その基本的な考え方は以下のとおりです。

1. データ表現：n次元空間を作成し、各軸をユーザーの特性（評価、購入履歴など）で表します。ユーザーをその空間内の点として表現します。
2. 統計的距離：「距離」は、この空間におけるユーザー間の距離を測定します。計算の詳細については、統計的距離を参照してください。
3. 近隣ユーザーの特定：計算された距離に基づいて、推薦対象ユーザーの最も近いk個の近隣ユーザーを見つけます。
4. 予測に基づく推奨の形成：システムはk個の近隣ユーザーの類似した嗜好を分析します。システムはその類似性に基づいて推奨を行います。

人工ニューラルネットワーク（ANN）は、人間の脳を模倣することを目的とした深層学習モデル構造です。これらは一連のニューロンで構成され、各ニューロンは相互接続された他のニューロンから伝達された情報を受け取って処理する役割を担っています。^{[ 123 ]}人間の脳と同様に、これらのニューロンは入力信号（トレーニング入力と逆伝播出力）に基づいて活性化状態を変化させ、ネットワーク学習フェーズ中にシステムが活性化重みを調整できるようにします。ANNは通常、ブラックボックスモデルとして設計されています。基礎となる理論的構成要素が形式的で厳格である通常の機械学習とは異なり、ニューロンの協調効果は完全には明らかではありませんが、最近の実験ではANNの予測能力が示されています。

ANNは、さまざまなデータを活用できる能力から、推薦システムで広く使用されています。フィードバックデータ以外にも、協調フィルタリングでは学習するには複雑すぎる非フィードバックデータを取り込むことができ、その独自の構造により、非フィードバックデータから追加のシグナルを識別してユーザーエクスペリエンスを向上させることができます。^{[ 121 ]}以下にいくつかの例を示します。

• 時間と季節性：ユーザーがプラットフォームとやり取りする日時や季節を指定するもの
• ユーザーナビゲーションパターン：訪問したページの順序、ウェブサイトのさまざまな部分に費やした時間、マウスの動きなど。
• 外部の社会動向：外部のソーシャルメディアからの情報

自然言語処理は、人間の自然言語を機械がアクセスおよび分析できるようにするための一連のAIアルゴリズムです。^{[ 126 ]}これは、テキスト情報の増加に触発された比較的新しい技術です。推薦システムへの応用例としては、Amazonの顧客レビューが一般的です。Amazonは各顧客からのフィードバックコメントを分析し、関連データを他の顧客に参照として報告します。近年、潜在意味解析（LSA）、特異値分解（SVD）、潜在ディリクレ配分（LDA）など、さまざまなテキスト分析モデルが開発されてきました。これらの使用は一貫して、顧客により正確でカスタマイズされた推薦を提供することを目指しています。