AI用語集
人工知能の完全辞典
協調フィルタリング
多数のユーザーの嗜好を収集し、過去に類似の好みを持つユーザーは将来も類似の好みを持つという原則に基づいて予測を生成する推薦アプローチ。
ユーザー-アイテム行列
行がユーザー、列がアイテムを表し、セルには評価や相互作用が含まれる基本的なデータ構造。通常、各ユーザーが少数のアイテムとしか相互作用しないため、非常にスパース（疎）である。
コサイン類似度
多次元空間における2つの評価ベクトル間の角度のコサインを計算する類似度指標。-1（完全な反対）から1（完全な類似）の範囲で変化し、ユーザーやアイテムのプロファイルを比較するために広く使用される。
ピアソン相関
2つの評価ベクトル間の線形相関を測定する係数。平均を中心とし正規化されており、ユーザーやアイテム間の相対的な評価傾向を捉えるのに特に効果的。
k近傍法
与えられたターゲットに最も類似するk個のユーザーまたはアイテムを特定して予測計算に使用される近傍を形成するアルゴリズム。kは推薦の粒度を制御する重要なパラメータである。
ユーザーベース協調フィルタリング
ユーザー間の類似性に基づくアプローチ。類似ユーザーが高く評価したアイテムを推薦し、ユーザー間の類似性計算と進化するプロファイルの効率的な管理が必要。
アイテムベース協調フィルタリング
アイテム間の類似性に基づく手法。ユーザーが既に高く評価したアイテムと類似のアイテムを推薦し、アイテムがユーザーよりも頻繁に変化しないため、通常、ユーザーアプローチよりも安定性とスケーラビリティが高い。
コールドスタート問題
履歴データの不足により、システムが新しいユーザーやアイテムに対して信頼できる推薦を生成できない主要な課題。初期化戦略と能動的な情報収集が必要。
スパース行列
推薦システムに内在する特性であり、ユーザー-アイテム行列のほとんどのセルが空であるため、計算上の課題が生じ、最適化されたデータ構造と代入技法が必要となります。
明示的評価と暗黙的評価
ユーザーが自発的に提供する直接的な評価（明示的）と、観察された行動に基づく嗜好の推論（暗黙的）との区別であり、それぞれに特定のバイアスと処理方法があります。
人気度バイアス
協調フィルタリングが多様性を犠牲にして人気アイテムを過剰に推薦する体系的傾向であり、強化ループを作成し、関連するニッチなアイテムの発見を制限する可能性があります。
評価予測
ユーザーが未評価のアイテムに与えるであろう評価を推定するプロセスであり、通常、近隣ユーザーや類似アイテムの評価の重み付き組み合わせとして、バイアス調整付きで計算されます。
トップN推薦
ユーザーにとって最も関連性の高いN個のアイテムのランク付けされたリストを生成する推薦アプローチであり、正確な評価予測とは異なるアルゴリズム最適化が必要で、特定の評価指標を必要とします。
Zスコア正規化
評価から平均を引き、標準偏差で割ることによりユーザー評価を標準化する技術で、異なる評価スケルを持つユーザーを比較可能にし、個別のバイアスの影響を低減させます。
信頼度スコア
計算された類似性や予測の信頼性を定量化する指標で、通常、共通評価の数とその分散に基づき、推薦計算における貢献を重み付けするために使用されます。
時間的重み付け
古い評価よりも最近の評価により多くの重みを割り当てる方法で、ユーザーの嗜好の変化を反映し、趣味の変化に対して推薦が関連性を保つことを保証します。
予測の集約
異なる近傍または手法からの複数の予測を、重み付き平均、中央値、またはメタ学習などの技術を使用して最終的な推薦に組み合わせるプロセス。これにより、精度を最適化します。
RMSE (二乗平均平方根誤差)
予測と実際の評価の間の誤差の二乗平均の平方根を測定する標準的な評価指標。大きな誤差に強くペナルティを課し、外れ値に敏感です。
MAE (平均絶対誤差)
予測誤差の絶対値の平均を計算する指標。RMSEよりも直感的な解釈を提供し、推薦システムの評価において外れ値に敏感ではありません。