推薦システム 統計的機械学習の理論と実践

Deepak K.Agarwal(著者), Bee-Chung Chen(著者), 島田直希(訳者), 大浦健志(訳者)

• 販売会社／発売会社: 共立出版
• 発売年月日: 2018/04/01
• JAN: 9784320124301

商品レビュー

2024/07/02

本書は以下の3部構成になっている。

第一部 導入
第二部 一般的な問題設定
第三部 高度な話題

推薦システムの幅広い領域をカバーし、第二部『一般的な問題設定』では、いくつかのケースに応じた問題設定の方法と適用する理論の説明、結果の評価が行われる。

内容が難しいのが欠点である。
例えば、序盤である第一部に含まれる第３章『推薦問題における探索と活用』では、多腕バンディット問題に対するいくつかのアプローチが数式の提示とともに説明される。

> ギャンブラーの目的は，期待報酬の合計を最大にするために腕を引くことである（3.2 多腕バンディット問題）

これはすでに理解している人にとっては理解の容易い文章だろうが、例えそうであっても続くいくつかの数学的なアプローチの優劣を評価することは難しい。

本書の目的は、研究に使用するのでなければ、現実の問題にどのような問題設定ができるのかとそれに対する解法の存在を知ることにおき、その知識を解決手段を提供するツールを探す前提知識として活用するのがいいのだろうと思う。

2020/03/13

219/315P読了済。LinkedInやYahoo Inc. で推薦システムを構築していた経験のある著者らが、そこで利用していた手法、実験結果を豊富な量紹介している。基本的に素性ベクトルや行列分解に基づく回帰などの基礎的な手法がメインであるが、踏み入れている分野が多岐に渡りすぎていて、そのせいで紙面が足りず基本的な事項に関してはわかっている前提とみなされていてほとんど説明がされていない（推薦に関する本なのに、例えば、強調フィルタリングに関する説明は2ページのみである）。前提としている知識の分野としては行列分解、EMアルゴリズム、回帰、ベイズモデリング、スパースモデリング、強調フィルタリング、主成分分析などの基礎的な内容は知っているものとされてほぼ解説がない上に、Multi-armed bandit、双線形因子モデル、潜在因子モデル、トピックモデル、ノンパラメトリックベイズ、LDA(潜在ディリクレ分配)、コンテキスト依存推薦、多目的最適化などの高度な内容もすごいスピードで解説されていく。正直、この本でそれら全てを学ぼうとするのは愚行だと思うのだが、これらの知識について精通している人が世の中にどの程度いるというのだろうか...その代わり、実験結果はかなりしっかり載せており、手法も数多くのその他と比較していて好感が持てる。どちらかというと300ページの応用研究論文という感じである。

結局難しすぎて3割くらいしか理解していないが、分量的には大満足で、他の本でさらなる知識を身につけてからもう一度初めから読みたいと思っている（まだ1周もしていないが）