【G検定】協調フィルタリングとは？レコメンドの仕組みとコールドスタート問題を解説

「この商品を買った人はこんな商品も買っています」——ECサイトでおなじみのこの表示の裏側で動いているのが協調フィルタリングです。コールドスタート問題という弱点、コンテンツベースフィルタリングとの違いまで、レコメンドの基本をまとめて理解しましょう。

📖 ひと言でいうと

協調フィルタリングとは、レコメンドシステム(推薦システム)に用いられる手法の1つで、多数のユーザーの行動データ(購買履歴・評価など)をもとに、「あなたと好みが似た人たちが選んだもの」を推薦する仕組みです。商品の中身を理解する必要はなく、ユーザーたちの行動の重なりだけを手がかりにします。

身近な例えでいうと、読書好きの友人への相談です。「あなたと読書の趣味がそっくりな友人が最近絶賛していた本」なら、あなたも気に入る可能性が高いはずです。友人はその本の文学的な分析をしてくれなくても構いません。「趣味が似ている人の選択」という事実だけで十分な手がかりになる——これが協調フィルタリングの発想です。

🖼 1枚でわかる協調フィルタリング

📘 公式テキストの説明

レコメンデーション（recommendation）に用いられる手法のひとつであり、レコメンドシステム（推薦システム）に用いられる。ECサイトで表示される「この商品を買った人はこんな商品も買っています」の裏側には協調フィルタリングが用いられている。協調フィルタリングは事前にある程度の参考となるデータがないと推薦を行うことができない（コールドスタート問題（cold start problem））。ユーザーではなく商品側に何かしらの特徴量を付与し、特徴が似ている商品を推薦する方法をコンテンツベースフィルタリング（content-based filtering）という。対象ユーザーのデータさえあれば推薦を行うことができるのでコールドスタート問題を回避することができるが、反対に他のユーザー情報を参照することができない。

この説明には3つの試験頻出ポイントが詰まっています。①協調フィルタリングの用途と具体像(ECサイトの「買った人はこれも」)。②弱点であるコールドスタート問題(事前の参考データがないと推薦できない)。③対になる手法コンテンツベースフィルタリング(商品側の特徴量で推薦し、コールドスタート問題を回避できるが、他のユーザー情報は参照できない)。この3点セットの関係を正確に覚えることが核心です。

🔍 しっかり理解する

仕組み: 行動の重なりから好みを推定する

協調フィルタリングの材料は、「誰が・何を・買った(高評価した)か」という行動の記録だけです。たとえばユーザーAとBの購入履歴が大きく重なっているなら、AとBは好みが似ていると推定できます。そこでAがまだ買っていないがBが買った商品を、Aに推薦します。これがユーザー同士の類似性に注目するやり方です。同様に、「商品Xを買う人はたいてい商品Yも買っている」という商品同士の共起パターンに注目するやり方もあり、「この商品を買った人はこんな商品も買っています」はまさにこの形です。

重要なのは、商品の中身(ジャンル・色・説明文)を一切理解しなくてよい点です。ミステリー小説と紅茶のように一見無関係な商品でも、行動データ上でよく一緒に買われていれば推薦できます。人間の分類では思いつかない意外な組み合わせを発見できるのが、協調フィルタリングの魅力です。

弱点: コールドスタート問題

行動データだけが頼りということは、裏を返せばデータがなければ何もできないということです。サービス開始直後でユーザーの行動履歴が蓄積されていないとき、新規ユーザーが来たとき、新商品を追加したとき——いずれも「参考となるデータ」が不足し、推薦を行うことができません。これがコールドスタート問題です。エンジンが温まる(データが貯まる)までは動けない、という比喩的な名前です。

対になる手法: コンテンツベースフィルタリング

コールドスタート問題への対処として対比されるのが、コンテンツベースフィルタリングです。こちらはユーザーではなく商品側に特徴量(ジャンル・著者・価格帯など)を付与し、対象ユーザーが過去に好んだ商品と特徴が似ている商品を推薦します。

コンテンツベースフィルタリングは、対象ユーザーのデータさえあれば推薦できるためコールドスタート問題を回避できますが、他のユーザーの情報を参照できないため、「みんなの行動から見つかる意外な組み合わせ」は苦手です。互いの弱点を補う関係にあるため、実際のサービスでは両者を組み合わせたハイブリッド型もよく使われます。

💡 具体例で考える

Amazonの「この商品を買った人はこんな商品も買っています」は、協調フィルタリング(特に商品同士の関連に注目するアイテムベース型)の代表例として知られています。膨大な購買履歴から「一緒に買われやすい商品ペア」をあらかじめ計算しておき、閲覧中の商品に応じて即座に表示する仕組みで、ECの売上を押し上げる推薦の定番となりました。

もう1つ有名なのが動画・音楽配信サービスの推薦です。たとえばNetflixは、ユーザーの視聴・評価データから好みの似たユーザーのパターンを学習して作品を推薦する仕組みに早くから投資し、2006年からは推薦精度を競う賞金コンテスト(Netflix Prize)を開催して協調フィルタリング研究を大きく前進させました。一方で、こうしたサービスに新規登録した直後は履歴がないため、「好きなジャンルや作品をいくつか選んでください」と最初に尋ねられることがあります。これはまさにコールドスタート問題への現場の対処で、初期データを人手で与えて推薦を立ち上げているのです。

⚠️ よくある誤解・紛らわしい用語

📝 試験でのポイント

📚 まとめ

協調フィルタリングは、多数のユーザーの行動データの重なりから「好みの似た人が選んだもの」を推薦するレコメンドシステムの代表手法で、ECサイトの「買った人はこれも買っています」の裏側で使われています。事前の参考データがないと推薦できないコールドスタート問題が弱点です。商品側の特徴量で推薦するコンテンツベースフィルタリングはこの問題を回避できる一方、他のユーザー情報を参照できません。両者の対比を正確に押さえることが試験攻略の鍵です。