PR：この記事にはアフィリエイトリンクが含まれます。
機械学習の本を探すと、レコメンドシステムには見慣れない手法名が並びます。ECの購買履歴がどう商品推薦につながるのか、最初は見えにくいですよね。見るべき流れは、履歴から候補を作り、評価し、売り場に届けるまでです。
本ごとに扱う範囲は違います。推薦方式を整理する本、Pythonで購買履歴を使う本、評価や運用まで扱う本。学びたい内容と本の焦点が合うと、読み進めやすくなります。
購買履歴が示すもの
ECの購買履歴には誰が何を買ったかが残ります。同じ会員がコーヒー豆を何度注文したか、どの商品が一緒に買われたか。日々の取引記録が商品推薦の出発点です。
購買記録をユーザーと商品の表に置くと、空欄の多さが見えてきます。記録がないからといって嫌われたとは限らず、まだ目に入っていないだけかもしれません。
購入数や時刻を加えれば、定番商品と季節品の違いを捉えやすくなります。一度きりの購入より、直近の行動や再購入までの間隔が手掛かりになる場面もあります。
閲覧やカート追加を使うと、推薦候補は増えます。ただし購入と同じ強さの好みとは限りません。どの行動を根拠にするかで、モデルの性格が変わってきます。
5冊の早見表
| 書籍 | 学べる中心 | 読者の目安 |
|---|---|---|
 基礎から学ぶ推薦システム — 情報技術で嗜好を予測する — | 日本語で推薦方式と評価を整理 | まず全体像を知りたい人 |
 集合知プログラミング | 購買・レンタル履歴、協調フィルタリング | Pythonで類似度を試したい人 |
 Practical Recommender Systems | 行動収集、評価、拡張時の課題 | 中級の実装者 |
 Building Recommendation Systems in Python and JAX: Hands-On Production Systems at Scale | JAXやSparkを含む実運用寄りの実装 | 中級から上級の開発者 |
 Recommender Systems Handbook | 推薦の専門領域と評価研究 | 参照書を探す人 |
推薦方式を日本語で一通り整理する人には『基礎から学ぶ推薦システム』、購入・レンタル履歴を使うコード例を見たい人には『集合知プログラミング』が合います。前者は方式の全体像、後者は実装例に比重があります。
開発者には『Practical Recommender Systems』と『Building Recommendation Systems in Python and JAX』が参考になります。データ収集から評価、配信までを扱う点が共通しています。
『Recommender Systems Handbook』は専門領域を広く調べる参照書です。分量が大きいため、初めから通読するより、気になるテーマを引く使い方が合いますね。
主な推薦方式
内容ベース推薦は、商品属性の近さから品を提案する方法です。コーヒーなら焙煎度や産地、商品説明の語句が手掛かりになります。新商品にも応用できますが、候補が似た商品に偏ることもあります。
協調フィルタリングは、似た商品を買った人や、一緒に選ばれやすい品の関係を使います。顧客の詳しい情報がなくても購買パターンを生かせる一方、新規会員や発売直後の商品には材料が足りません。
知識ベース推薦は、用途や条件に沿って候補を絞る方法です。家具なら幅100センチ以下といった条件から提案できます。購買履歴の少ない場面でも扱いやすい方式です。
実際のサービスでは、商品属性と購買履歴などを組み合わせるハイブリッド型も使われます。それぞれの方式がどんな弱点を補うのかまで押さえると、違いを整理しやすいでしょう。
購買履歴の癖
定期購入品と衝動買いの商品を同じように扱うと、推薦の意味がぼやけます。洗剤なら補充時期を知らせる提案、季節限定の菓子なら関連商品を見せる提案が考えられます。
同じ注文に入った商品はセット提案の手掛かりになります。ただ、いつも同じ品を並べれば、すでに持っている物を繰り返し見せることにも。購入回数と最後に買った時刻を合わせて見る方法があります。
新規顧客には購買履歴がありません。人気商品や閲覧中のカテゴリなど、別の手掛かりが必要です。コールドスタートと呼ばれるこの課題は、履歴の少ない人に推薦する難しさを表しています。
日本語で基礎を固める
『基礎から学ぶ推薦システム』はコロナ社から2022年7月に刊行された紙書籍で、324ページ、A5判です。内容ベース、協調ベース、知識ベース、ハイブリッド型を順に扱い、方式の全体像を知りたい読者に合います。
食の嗜好を題材にした例題があり、考え方を具体的な場面に結び付けて読めます。第9章は推薦システムの評価方法を解説。公式の希望小売価格は税込4,950円で、実売価格は時期や店舗によって変わります。
『集合知プログラミング』は2008年7月刊の日本語版で、392ページ、B5変判です。購入・レンタル商品の履歴を使う推薦を取り上げ、ユーザーや商品どうしの類似度を比較するPython例を収録しています。
del.icio.usやeBayのWeb API例もあり、当時のWebサービスを使った実装に触れられます。公式の希望小売価格は税込3,740円。実売価格は時期や店によって変動します。
実装を学ぶ本
『Practical Recommender Systems』は2019年刊、432ページ。中級程度のプログラミングスキルとデータベース知識を持つ読者を対象に、ユーザー行動の収集・理解からPythonでの実例へと進みます。
学習用とテスト用のデータ分割に加え、オフライン実験やオンラインテストも扱います。サイトの規模が大きくなった際の課題にも触れるため、モデル構築後の運用まで考えたい開発者に合います。
『Building Recommendation Systems in Python and JAX』は2023年12月初出、354ページ。中級から上級向けで、Python、JAX、PySpark、SparkSQL、FastAPIなどを使い、ログ設計から学習・配信まで扱います。
協調・共起・低ランク・系列推薦に加え、Precision@kとRecall@k、NDCG、ABテストも取り上げます。ランキングの数値から実運用での検証まで知りたい人に向く内容です。
Building Recommendation Systems in Python and JAX: Hands-On Production Systems at Scale
O’Reilly Media
Amazonで見る専門領域を広く見る
第3版の『Recommender Systems Handbook』は2023年4月刊、1060ページのソフトカバーです。協調・文脈依存・内容ベースの各手法に加え、セッション推薦、自然言語処理、クロスドメイン推薦も収録しています。
評価を扱う章は547〜601ページ。手法ごとの考え方と評価研究を行き来できます。推薦システムをアルゴリズムに限らず、応用や利用者との関係も含めて捉えられる構成です。
分量のある専門書なので、特定のテーマを調べたり、関連研究の論点を広げたりする段階で力を発揮します。実装の手順をすぐ確認する本というより、必要な箇所を引く参照書です。
ECで評価を考える
過去の購買履歴で学習し、別の期間をテストに使うと、未来の購買をどこまで再現できるか見やすくなります。同じ時期の情報を混ぜると、未来の情報が入り込む点には注意が必要です。
Precision@kは推薦リスト上位に購入商品が何件含まれたかを見ます。Recall@kは実際に買われた商品のうち何割を拾えたかを測り、NDCGは正解を上位に置くことを重く評価します。
過去の購入だけを正解扱いすると、見せていない商品は評価されにくいままです。割引、在庫、季節性も購入に影響するため、モデル以外の条件も記録すると結果を読み解きやすくなります。
最後はクリックや購入率をABテストで確かめます。売上だけでは、推薦と値引きのどちらが購買につながったのか分かりません。運用目的に合う指標と評価期間を組み合わせます。
結論
購買履歴を使う推薦の全体像を日本語で学ぶ人には『基礎から学ぶ推薦システム』、Pythonで類似度を試したい人には『集合知プログラミング』をおすすめします。
データ収集から運用評価まで知りたい開発者には『Practical Recommender Systems』が合います。JAXやSparkを含む実運用寄りの内容を学ぶなら、『Building Recommendation Systems in Python and JAX』がおすすめです。
専門領域を広く調べるなら『Recommender Systems Handbook』。全体像、コード、運用評価のどれを学びたいかを軸にすると、自分に合う一冊を決めやすくなります。
Amazon の PC をスコア化してみた
Amazonにある8〜14インチの小型WindowsタブレットやノートPCを、スペック別にスコア化して比較・ランキング。
