APPコールドスタートスキルと戦略

コールド スタートは、推奨システム全体における重要な始まりです。一般的に、レコメンデーションシステムは、より正確なレコメンデーションを行うために大量のデータを必要とします。アプリのコールドスタートは、新規ユーザーがアプリを使い続けるかどうかを直接左右する可能性があります。新商品のコールドスタートはプロデューサーの熱意にも影響するため、コールドスタートは非常に重要です。

コールド スタートの問題は 3 つのカテゴリに分類されます。

1. ユーザーのコールドスタート: 新規ユーザーにはどのようなコンテンツを推奨すべきでしょうか?
2. アイテムのコールドスタート: 新しいアイテムを誰に推奨すべきか?
3. システムのコールド スタート: 「貧弱で空白」な基盤に基づいて、新しいユーザーとこれまで推奨されたことのないアイテムとの関連付けをどのように確立するか。

ユーザーコールドスタートアイデア

ユーザーのコールド スタート。最も一般的なシナリオは、新しいユーザーのコールド スタートです。新規ユーザーが古いユーザーに変換されるまでの経路は、新規ユーザーの興味の獲得（コールド スタート ユーザーの初期ポートレートの構築）-> コンテンツの消費と興味の収束-> 興味の沈着により古いユーザーになる、というものです。一般的に、最初のステップは、ユーザーの肖像画を取得するために「可能な限りのことを行う」か、ユーザーに積極的に肖像画を生成させることです。検討すべき方法はいくつかあります。

性別、年齢、地域などのユーザーの社会的属性を活用します。ユーザーが初めてアプリを開くと、多くのアプリでは、関連情報を入力するためのプロンプトが表示されたり、入力欄が残されたりします。ユーザーが能動的に入力しない場合でも、外部チャネル（チャネル ポートレート、マトリックス ポートレート、アプリリストなど）からポートレート情報を導入してみることができます（ただし、ユーザーの重複と関連性に注意する必要があります）。この情報を使用すると、ソーシャル属性に基づいて大まかにパーソナライズされた推奨事項を作成できます。

ユーザーの人間関係チェーンを活用することで、運用活動（友人関係や親子関係を収集するAlipay活動など）を通じて情報を収集したり、外部から導入（サードパーティログインやオープンAPI）したりすることができ、「類は友を呼ぶ」の原則に基づいて、友人が好むコンテンツをユーザーに推奨することができます。

人気のあるコンテンツを活用し、ユーザーについて「何も」知らない状態で、群集心理と 80/20 ルールに基づいて、人気のあるコンテンツをユーザーに推奨することができます。この方法は、人気の範囲とアルゴリズムに重点を置いており、ランダムな推奨よりも効果があります。高品質なコンテンツを活用する場合も同様です。

(左: Weibo、右: Toutiao)

ユーザーのコールドスタートの指標は、新規ユーザーのポートレート指標（興味の平均数、ポートレートのカバー範囲、ポートレートの精度など）と新規ユーザーのアクティブパフォーマンス（クリックスルー率、リテンションなど）に焦点を当てることができます。

国際的なアプリが、最初は国籍と性別に基づいてより良い推奨効果を発揮できるとします。この情報をどのように取得できるでしょうか?

1. 明示的な方法: 前述のように、ユーザーにフォームへの記入を依頼したり、ユーザーを誘導したり、動機付けたりするなど、あらゆる方法が許容されます。
2. 暗黙的方法: 性別/国籍のクリックの差が特に大きいコンテンツを使用してユーザーの性別と国籍を推測し、偏りのあるパーソナライズされた推奨を開始します。

このタイプの隠された探索には、アイテムを選択するスキルが必要です。

1. 人気: ある程度の認知度があります。あまり知られていない商品なので、結果のほとんどは「スキップ」になります。
2. 代表性と独自性: アイテムは互いに区別可能で、ユーザーのさまざまな興味を表す必要があります。
3. 多様性: 人々の興味は多岐にわたるため、「選択肢がない」という恥ずかしい思いを避けるために、できるだけ多くのことをカバーするようにしてください。

アイテム コールドスタート アイデア

アイテムコンテンツを使用して推奨:

1. 類似アイテムの推奨: 新しいアイテムと同じカテゴリに属する​​コンテンツを見つけ、新しいアイテムはそれを活用して類似アイテムとして推奨されます。
2. アイテム関連の推奨事項: 専門知識に基づいてアイテム情報のナレッジ ベースを構築し、アイテム間の関連性を確立します。たとえば、ナレッジ グラフでは、既知のノードと関係を通じて別のノードを見つけて、拡張の推奨を行うことができます。
3. たとえば、あるユーザーが「周冬雨」（ノード）を気に入っています。周冬雨は映画「Better Days」の主演俳優です。この関係により、ノード「Better Days」に関連付けられ、ユーザーに「Better Days」が推奨されます。

（インターネットからの写真）

関連アルゴリズムの紹介

この期間に一般的に使用されるアルゴリズムは何ですか?ユーザー A はポートレートを数枚しか持っていない新規ユーザーであると仮定します。

1. UserCF: ユーザーベースの協調フィルタリングは、ユーザーの行動を通じてユーザーの類似性を計算し、ユーザー A に類似するユーザー B を見つけ、ユーザー B が好むアイテムをユーザー A に推奨します。
2. ItemCF: アイテムベースの協調フィルタリングは、ユーザーの行動を通じてアイテムの類似性を計算し、アイテム a に類似するアイテム b を見つけ、アイテム a を好むユーザー A にアイテム b を推奨します。
4. (左: UserCF、右: ItemCF)
5. ContentItemKNN: コンテンツベースのフィルタリングは、アイテムのコンテンツ機能に基づいてコンテンツの類似性を計算し、アイテム a に類似するアイテム b を見つけ、アイテム a を好むユーザー A にアイテム b を推奨します。

UserCF と ItemCF は同じユーザー行動データを使用しますが、統計的な次元が異なります。以下の簡単な例（1 はユーザーがアイテムをクリックしたことを意味します）に示すように、UserCF はユーザーの類似度を水平方向に計算し、ItemCF はアイテムの類似度を垂直方向に計算します。

UserCF と ItemCF はどちらも、コールド スタートでの「先発者」の問題を抱えています。

UserCF では、新しいアイテムはまずユーザーの表示リストに表示され、より多くの人がそのアイテムにフィードバックを与え、そのアイテムが広まる必要があります。そのため、最初のユーザーがどこで新しいアイテムを発見するかという最初の駆動力の問題があります。

ItemCF は、一定間隔でユーザーの行動を計算し (ログは膨大で時間がかかります)、アイテムの類似性 (多数のユーザーがアイテム a とアイテム b の両方を閲覧している場合、2 つのアイテムは類似しているとみなされます) を計算し、アイテムの関連性マトリックスを出力します。新しいアイテムが追加されても、マトリックス テーブルに自動的に追加されるわけではなく、ユーザーが最初に新しいアイテムを見つける必要があります。

ContentItemKNN はアイテムのコンテンツ機能を使用してアイテム関連テーブルを計算し、ファーストムーバーの問題なしに関連テーブルを頻繁に更新できます。しかし、ユーザーの行動を無視するため、ユーザーの行動に含まれるルールも無視されます。結果は精度が低く、新規性が高く、効果は一般的に協調フィルタリングほど良くありません。ただし、ユーザーの行動が特定のコンテンツ機能によって強く影響される場合、コンテンツ フィルタリング アルゴリズムが効果を発揮します。

上で述べた最初の原動力問題、つまり「新商品トライアル」とも呼ばれる商品コールドスタート問題には、解決方法がありますか?

新アイテムの試験的発売は「ユーザー募集中のアイテム」です。 「商品を探しているユーザー」であれば、マシュー効果が発生しやすく、人気カテゴリーは露出が多く、ロングテール現象が深刻です。アイテムがユーザーを見つける方法は 2 つあります。

1. ランダムテスト
2. 興味テスト

露出回数が 500 回未満のアイテムを新規アイテムとして定義し (情報製品には通常、6 時間以内などの時間制限があります)、新規アイテムとユーザーを多次元ベクトルとして表し、ベクトル間の距離を計算し、よりアクティブなユーザーに配布し、コールド スタート フェーズ中に並べ替えと再ランク付けの制限に重み付けを行うと仮定します。コールド スタート フェーズでは、アイテムのクリックスルー レート (またはその他の総合的な指標) が安定しており、これがその後のトラフィック配分の基準となります。小規模トラフィックのクリックスルー レート パフォーマンスに基づいて、パフォーマンスの良いアイテムは次の大規模なトラフィック プールに入り、パフォーマンスの悪いアイテムは削除されるか、格下げされます。勾配トラフィック分散戦略は、比較的一般的なパーソナライズされた推奨「競馬メカニズム」です。

アイテムのコールドスタート効果を評価するために使用される指標は何ですか?

1. モデルの精度
2. ユニット試験の数
3. 効果的な流通範囲
4. アイテム品質率
5. 新商品推奨のパフォーマンス（クリック率、期間など）

もう 1 つのポイントは、時間情報や空間情報などのユーザーのコンテキスト情報にも注意を払い、いくつかの厳格なルールに従う必要があるということです。

たとえば、eコマース アプリの場合、夏に新規ユーザーがログインした場合はダウン ジャケットを提供すべきではなく、中秋節に新規ユーザーがログインした場合は端午の節句に関する情報を提供すべきではありません。しかし、これはコールド スタート フェーズだけではなく、推奨シナリオ全体でユーザーのコンテキスト情報を考慮する必要があります。

著者: 張小苗美

出典: 張小苗