AIレコメンドエンジンとは？仕組みや活用事例をわかりやすく紹介

最終更新日:2024/02/01

実店舗で買い物をしていると、店員さんからおすすめの商品を紹介される機会が多々あるでしょう。これは今まで、インターネットショッピングでは得られない「実店舗ならではの接客」といえるものでした。しかし、近年はAIの発展によりECサイトなどでも「おすすめの商品」が提示されるようになってきているのです。

そんな、おすすめ商品の紹介を可能にしているのは、AIを搭載した「レコメンドエンジン」という機能が働いているからに他なりません。この「レコメンドエンジン」とは、どのような仕組みなのでしょうか。今回は、レコメンドエンジンの仕組みについて詳しくご紹介していきます。

AIソリューションについて詳しく知りたい方は以下の記事もご覧ください。
AIソリューションの種類と事例を一覧に比較・紹介！

レコメンドAIのサービス比較と企業一覧を見る

ECサイトの常識となりつつある「レコメンドエンジン」とは

レコメンドエンジンとは、ECサイトやWebサイトにおいて、ユーザーにおすすめ商品・コンテンツを表示するためのシステムのことです。

「レコメンド（recommend）」は、「勧める」「推薦する」といった意味を持つ言葉であり、おすすめの商品を表示することを「レコメンデーション」と呼びます。つまり、そのレコメンデーションを実現するシステムが「レコメンドエンジン」であるということです。製品によっては「リコメンドエンジン」と呼称するケースもあります。

レコメンドエンジンの仕組みと手法

インターネット上でショッピングを行っている際に、「この商品を購入した人はこんな商品も買っています」といった形で関連商品を紹介された経験がある方も多いのではないでしょうか。これはまさに、レコメンドエンジンによって「そのユーザーに適した商品の紹介」が行われているということです。

つまり、レコメンドエンジンを実装させればすべてのサイトで「レコメンデーション（おすすめ商品のピックアップ）」を導入できるわけですが、そのレコメンドエンジンにはいくつかのベースとなる技術が存在します。レコメンドエンジンの仕組みを知る上でも、これらのベースとなる技術を理解しておくことが大切です。

そのため、ここからはレコメンドエンジンの作り方の基礎知識について詳しく見ていきましょう。

ルールベースレコメンド

ルールベースレコメンドとは、「このような行動を取ったユーザーには、このような情報・製品を提供していく」といったルールを決めておくアルゴリズムです。

最もシンプルなレコメンドアルゴリズムであるため、比較的導入しやすい傾向にありますが、応用を利かせることはできません。そのため、より柔軟に対応できるレコメンドエンジンを構築したい場合には、ルールベースレコメンドだけではなく別のアルゴリズムも活用していく必要があるでしょう。

協調フィルタリング

レコメンドエンジンの仕組み１：協調フィルタリング｜人工知能を搭載した製品・サービスの比較一覧・導入活用事例・資料請求が無料でできるAIポータルメディア

協調フィルタリングは、レコメンデーションにおいて最も一般的な技術といえるものです。アクセス履歴や行動履歴をもとに、「その商品を購入した人は、どのような商品を購入しているのか」を明らかにし、ユーザーにおすすめ商品として提示します。

たとえば、電動シュレッダーを購入したユーザーには「シュレッダーを購入したい」という目的があったことが予想できます。当然、その後同じ電動シュレッダーの商品ページを訪れるユーザーにも「シュレッダーを購入したい」という目的を持っていることが想定できるわけです。そのため、過去にその電動シュレッダーを購入したユーザーたちのアクセス履歴などを蓄積していくことで、「その電動シュレッダーを購入した人が次に購入を検討するのは何か」を明確にできるのです。

もちろん、おすすめ商品として表示されるまでは特に興味を持っていなかったユーザーでも、協調フィルタリングによって紹介されることで、「ついでに買っておこう！」というような気持ちにつながる可能性があります。そのため、さらなる売上の向上が期待できる機能といえるでしょう。

また、協調フィルタリングは、過去のユーザーのアクセス履歴や行動履歴を収集してデータ分析をするだけなので、管理コストを抑えられるというメリットもあります。ただし、メリットばかりというわけでもありません。

たとえば、レコメンドの精度を高めるまでのデータ蓄積期間が必要になるという点は、あらかじめ想定しておかなければならないでしょう。過去のデータがなければ、「その商品を購入した人たちの多くが購入している商品」を明確化できません。また、サイトによっては商品の入れ替わりが激しい場合もありますので、そのような場合にも都度データの蓄積が必要になるでしょう。

このような必要なデータが集まっていない状態で成果につながりにくい問題は「コールドスタート問題」とも呼ばれており、大きなデメリットとして知られている状況です。ただ、現在はこのデメリットを解消するための仕組みもすでに生まれています。それが以下で紹介する「コンテンツベース・フィルタリング」です。

コンテンツベース・フィルタリング

コンテンツベース・フィルタリングとは、「商品のカテゴリ」と「ユーザーの好み」の関連性をもとにレコメンドを行う仕組みのことです。事前に商品をカテゴリごとに分けておくことで、「そのカテゴリを選んだ人は、他にどのような商品を購入しているか」といったデータを収集していきます。

そのため、協調フィルタリングのようにデータの蓄積期間が必要なく、カテゴリ分けした時点でレコメンデーションをすることができるようになるのです。

ただし、コンテンツベース・フィルタリングの場合は、カテゴリを分析して分類するための手間がかかるため、サイト内の商品が多くなるにつれて労力が増してしまうというデメリットは否めません。また、カテゴリごとの分析が基本となるため、同じ商品ばかりおすすめ商品として表示されてしまいかねないというデメリットもあります。

ハイブリッド・レコメンデーション・システム

しかし、最近では協調フィルタリングやコンテンツベース・フィルタリングの持つ課題を解決するための技術も導入され始めています。それが、ハイブリッド・レコメンデーション・システムです。これは、異なるフィルタリング技術を組み合わせてレコメンデーションを行う仕組みのことで、最近ではアメリカのNetflix社などで使用されています。それぞれのレコメンドエンジンの弱点を補い合うことで、より精度の高いレコメンデーションができるわけです。

データが少ない場合にレコメンドがうまく反映されないという点は、レコメンデーションにおける大きな欠点の一つですが、その欠点を補う方法として「ベイズ理論」というものが存在します。ベイズ理論では、まず主観的な確率である「事前確率」を設定します。そして、新しいデータが加わるたびにデータの更新を行うことで、効率的に精度の高いレコメンデーションを実現できるようになるのです。