azure machine...

Copyright (c) 2015 NEXTSCAPE INC. All rights reserved.

AzureMLによるレコメンデーションの設計＆実装を公開！～朝日カルチャーセンターの事例から～

株式会社ネクストスケープ上坂貴志

2015.08.08

1

2

本日の趣旨

話題沸騰の機械学習（Azure Machine Learning）

活用例がまだまだ少ない・・・なぜ？

どのモデルを使うのかわからない

モデルの使いかたがわからない

実際にシステムとしてどうやって組み込む？

どのモデルを使えばいいの？

AzureML（機械学習）

教師あり教師なし

分類回帰レコメンドクラスタリング

2項分類多項分類アイテムとユーザーベースで推薦

数値計算式正解が無い中でグループ分け

(男か女か) (10代/20代/30代/40代か)

(売上予測)

（正解データを元に）（正解データなし）

まずは大雑把に分類

4

チートシートの利用して最適なモデルを特定

４つの大分類⇒どのモデルが適用できるか

Azure ドキュメントに掲載

5

チートシートの利用して最適なモデルを特定

４つの大分類⇒どのモデルが適用できるか

Azure ドキュメントに掲載

すべてのモデルを把握するのは大変！

アクセスログからレコメンデーションを実際にやってみる

6

本日の機械学習のゴールは




ということは？

アクセスログからレコメンデーションを実際にやってみる

7

本日の機械学習のゴールは




マッチボックスレコメンダー

使い方を解説

システム設計を公開！

ということは？

8

本日紹介する事例

2015/4/20 日経産業新聞に紹介されました

1訪問あたりの講座閲覧数が10%UP

【導入後の効果】

機械学習のコストはわずか1000円強/月

名前：上坂貴志（うえさかたかし）

年齢：43歳

好き・興味あり：C#、アーキテクチャ、DDD（好きな人、ぜひお話ししましょう）

講演活動・CloudDays2015東京・大阪登壇

・Developers Summit 2015 登壇

・Microsoft Cloud & Solutions 2014 登壇

・Developers Summit2014夏 EnterpriseTED 登壇

執筆活動・CodeZine：チーム開発環境をワンストップで構築しよう～Visual Studio Online～

・InfoQ：.NETでドメイン駆動開発～ValueObject前編後編～

・Build Insider： Moq ＆ Fakes Frameworkを使った実践的ユニットテスト

9

自己紹介


朝日カルチャーセンター様

機械学習による講座リコメンデーション

10

1964年にオープンの日本最大級の生涯学習センター（朝日新聞社の文化活動）

2009年よりJTB社が資本参加

圧倒的講座数（全国で約10,000講座、教養、語学、趣味、健康など）

さまざまな実績をもつ一流講師多数

拠点：札幌、新宿、立川、横浜、湘南（藤沢）、名古屋、中之島、くずは、芦屋

、川西、京都、北九州、福岡（13教室）

11

朝日カルチャーセンター様について

朝日カルチャーセンターWebキャラクター「かるかる」

12

機械学習による講座のレコメンデーション

[講座詳細ページ]

講座の閲覧履歴に応じて、関係性がある講座をレコメンド表示

【レコメンド例】

「フレーバーソフトでダイエットしたい」に興味ある方に「花の文学散歩」と「イキイキメイク術」等をリコメンド

→美しくなりたい女性像のイメージ

「鉄道写真」に興味ある方に「デジタルカメラ」と「アニメを読む」等をリコメンド

→趣味に熱中する男性像のイメージ

行動履歴を機械学習で分析し、最適な関連講座を表示

13

機械学習によるレコメンデーションの概要

3.最適な講座を発見2.クラウドに蓄積閲覧者

Microsoft Azure

AzureML

1.講座閲覧履歴を保存

DBWebサイト

4.閲覧履歴に基づいた講座のリコメンデーションを表示

こんな形でもらえれば、後は画面に表示するだけ

14

Azure ML からほしいレコメンデーションの最終結果は？

レコメンド講座情報

講座No レコメンド1 レコメンド2 レコメンド3

A001 S5153 C1487 N8231

A002 G0461 P0262 Y6366

A003 B9175 D9201 B3793

A004 X0258 K2418 J5138


Azure ML によるレコメンデーション

15

16

マッチボックスレコメンダーの概要

②ユーザー情報

UserNo 住所年齢

1 兵庫県 30

2 東京都 40

3 愛媛県 23

4 青森県 40

③アイテム情報①評価

ItemNo 価格ジャンル

A001 2000 生活

A002 1000 趣味

A003 500 生活

A004 8000 電化

UserNo ItemNo 評価

1 A001 10

1 A003 1

2 A001 8

2 A002 7

ユーザーのアイテムに対する

レート予測

ユーザーにアイテムをレコメンド

ユーザーに類似ユーザーをレコメンド

アイテムに類似アイテムをレコメンド

インプット

アウトプット

(Option) (Option)

17

朝日カルチャー様向けのレコメンダーの使い方

アクセスログ

User URL 滞在時間

1 /講座/A001 5

1 /講座/A002 30

2 /講座/A002 25

2 /講座/A003 6

講座情報

①評価

講座No ジャンル

A001 生活

A002 音楽

A003 体操

A004 手芸

加工

インプット講座No ジャンル

A001 生活

A002 音楽

A003 体操

A004 手芸

③アイテム情報

UserNo URL 評価

1 /講座/A001 1

1 /講座/A002 7

2 /講座/A002 7

2 /講座/A003 2

ML用に加工済み

そのまま

Apply SQL Transformationモジュールがお勧め！

18

朝日カルチャー様向けのレコメンダーの使い方

講座No ジャンル

A001 生活

A002 音楽

A003 体操

A004 手芸

インプット

アウトプット

User URL 評価

1 /講座/A001 1

1 /講座/A002 7

2 /講座/A002 7

2 /講座/A003 2

なし（匿名ユーザーのため情報がない）

②ユーザー情報 ③アイテム情報①評価

(Option) (Option)

ユーザーのアイテムに対する

レート予測

ユーザーにアイテムをレコメンド

ユーザーに類似ユーザーをレコメンド

アイテムに類似アイテムをレコメンド

19

アクセスログにポイントがある

UserNo アクセスパス滞在時間

1 /講座/A001 5

1 /講座/A002 30

2 /講座/A002 25

2 /講座/A003 6

アクセスログ

同一ユーザーのアクセス

In / Outから求める

どう見ても普通のログじゃない

デジタルマーケティングCMSオープンソースCMS

国内データセンター

2014年以前

20

Webサイトの変更

• ハードが古くなった• Webサイトが安定しない• 拡張が困難

2015年サイトリニューアル後

• クラウドによる最新基盤• 高機能CMSの導入による安定化• システムの拡張が柔軟

クラウド環境

CMS界の世界的「リーダー」

21

機械学習による自動レコメンデーション全体像

Webサイト閲覧

ExperimentWeb

Service利用者

Azure Virtual Machine

3.

6.

SQL Server（閲覧データ）

SQL Server（コンテンツデータ）

2.蓄積1.閲覧

6.反映

3.転送

4.計算

5.取得

バッチ処理（夜間）

・AzureMLによって出力された計算結果ファイルを取得しWebサイトに反映

7.新しい体験

Azure Storage（Blob）

Azure ML

Azure Storage（Blob）

どのユーザーが「いつ」「どのページ」「どのくらい」

閲覧したかを蓄積

最適なリコメンドデータをコンテンツDBに反映

・DBから必要なデータを抽出し、AzureStorageに登録

・AzureMLのバッチ用Webサービスを起動


さいごに

22

23

ノウハウを公開することの意味

モデルの使い方いずれみんな把握

システム設計いずれみんな同じ

だったらなるべく早く公開して共有

使い方じゃない価値の創出

一緒に価値を生み出していく仲間を募集中！

24

25

後で声かけてください！ありがとうございました！

～お客様のビジョンに共感し、感動を実現します～

azure machine...

Technology