2022/10/14 –, pyconjp_5
言語: 日本語
現代において我々が使用している様々なサービスは、パーソナライズやレコメンデーションといった機能が当たり前の時代になっています。
レコメンデーションの課題として、行動履歴が十分にないユーザーに対してレコメンデーションすることが難しい（これをコールドスタート問題といいます）ということが挙げられ、さまざまな企業が工夫をしている状態です。
本トークでは、QAアプリ「ママリ」において、自然言語処理を利用したアプリチュートリアルの改善の裏側、および新規ユーザーにおけるコールドスタート問題に対してどのような対策を行っているのかについてご紹介します。
概要
私の所属するコネヒト株式会社が運営するQAサービス「ママリ」では、近年レコメンデーションに力を入れて取り組んでいます。
ある程度の行動履歴が存在するユーザーに対するレコメンデーションにおいては一定の成果が見えてきているものの、新規ユーザーについては手付かずの状態でした。
そこで、アプリのチュートリアル〜初回訪問時にどんなコンテンツを推薦するか、といった一連のフローをデータ分析や機械学習を用いて改善するプロジェクトを遂行してきました。
本トークでは、QAアプリ「ママリ」において、Pythonを用いたトピックモデリングやnode2vecによるタグのベクトル化を通して、新規ユーザーUX向上のために検証してきた取り組みについてご紹介します。
Outline
- 自己紹介（1min）
- セッションの概要説明（2min）
- チュートリアルやコールドスタート問題といった前提知識の共有
- トピックモデリングを活用したチュートリアル改善（7min）
- トピックモデリングとは
- トピックモデリングの特徴
- チュートリアルへの活用方法
- node2vec（Graph Embedding）を活用したコールドスタート問題への対策（15min）
- Graphとは？Graph Embeddingとは？node2vecとは？
- node2vecをテキストデータに応用する手順
- node2vecを用いた「タグ」のベクトル化
- 上記をサービス導入するために行ったコミュニケーションやアーキテクチャ設計
- 泥臭くデータを見ながら、PdMとどういったコミュニケーションを行なっていたか
- 本施策の結果（1min）
- まとめと今後の展望について（2min）
コネヒト株式会社のMLエンジニアとして、機械学習のサービス導入を軸に、機械学習基盤や機械学習モデル・APIの開発に従事。
趣味でデータ分析コンペに出場したり、nlplotという自然言語可視化ライブラリの開発をしています。
最近はML PdMを名乗っている通り、ビジネスと機械学習を紐付けながら、どのようにインパクトを出すかに興味があります。